关于图像识别:yolov5快速使用

47次阅读

共计 5991 个字符，预计需要花费 15 分钟才能阅读完成。

  1. 疾速开始我的项目：

    • 筹备本人的数据集
    • 创立对应的配置文件: ‘data/xx.yaml’
    • 批改预训练的配置文件：’models/yolov5s.yaml’
    • 下载最新预训练模型到 weights 目录下
    • 开始训练：
      python train.py --img 640 --batch 16 --epochs 500 --data go.yaml --weights weights/yolov5s.pt
      (能够批改 train.py 中的相干参数的默认配置，不便下次训练)

    • 测试:

      python test.py  --data data/go.yaml --weights  E:\GDUT\python_project\ObjectDection\Yolov5\runs\train\exp13\weights\best.pt --augment

    • 检测：

      python detect.py --weight runs\train\exp14\weights\best.pt--source data/testImg

    • tensbard 查看：

      tensorboard --logdir=runs

  2. 数据集的筹备：

    • 意识 voc 与 yolo 两种格局的数据集：
      voc 数据的格局：参考

      • folder: 文件夹
        filename：文件名
        database: 数据库名
        annotation: 标记文件格式
        size： 图像尺寸，width 宽、height 高，depth 通道数
        segmented: 宰割
        object, name: 标签名；
        pose: 是否是姿态
        truncated：是否被截断；
        difficult: 是否辨认艰难。
        bndbox, 边界框地位
      • https://www.cnblogs.com/sdu20…
      • https://www.sohu.com/a/333069…
      • 验证集 + 训练集不肯定等于你手头中的所有图片
        https://www.itdaan.com/blog/2…

    • yolo 标签的格局(须要归一化) 参考

      <object-class> <x> <y> <width> <height>

      x,y 是指标的核心坐标，width,height 是指标的宽和高

  3. 训练集、验证集与测试集的抉择：

    • https://zhuanlan.zhihu.com/p/…

  4. 相干脚本：

    • 文件对立命名

      ## 将目录上面的图片从起始编号开始按程序命名
import os
path=os.getcwd()
print("以后所在门路："+path)
path=input("输出文件门路：")
if(path[-1]!="\\"):
path=path+"\\"
# C:/Users/zh/Desktop/ 围棋数据集补充 / 数据集图片 /
a=input("输出起始编号：")
type=input("文件后缀：")
## 创立文件夹
# if not os.path.exists(res_path):
#     os.makedirs(res_path)
f=os.listdir(path)
for index,i in enumerate(f):
if os.path.isfile(path+i) and  (path+i).endswith("."+type):
## 重命名并删除
if  (os.path.exists(path+str(int(a)+index)+"."+type)):
     print("文件名抵触")
else:
     os.rename(path+i,path+str(int(a)+index)+"."+type)

    • voc 训练集与验证集以及测试集的划分

      # 参考：https://my.oschina.net/u/4870686/blog/4803148
# 作用：划分 xml 文件名到四个 txt 文件去
# 阐明：数据集全副拿来训练（其中 80% 作为训练集 20% 作为验证集），不留测试集
train_and_valid=1.0
train_percent = 0.8

## 输出 xml 文件门路：xml_file_path=input("请输出 xml 文件门路：")
txt_save_path=input("将要保留的门路：")

if(xml_file_path==""):
xml_file_path='Annotations'
if(txt_save_path==""):
txt_save_path='ImageSets/Main'

# xml 文件对象
total_xml = os.listdir(xml_file_path)

if not os.path.exists(txt_save_path):
os.makedirs(txt_save_path)

num = len(total_xml)
list_index = range(num)

num_train_and_valid = int(num*train_and_valid)
num_train = int(num_train_and_valid * train_percent)

## 从数据集中抉择出用于训练的局部
index_train_and_valid = random.sample(list_index,num_train_and_valid)
##  训练集的编号(在上一步随机的根底上在随机筛选)
index_train = random.sample(index_train_and_valid,num_train)

file_train_and_valid = open(txt_save_path + '/trainval.txt', 'w')
file_test = open(txt_save_path + '/test.txt', 'w')
file_train = open(txt_save_path + '/train.txt', 'w')
file_val = open(txt_save_path + '/val.txt', 'w')

##
for i in list_index:
## 获取每个文件名（去除后缀）name = total_xml[i][:-4] + '\n'
if i in index_train_and_valid :
## 训练 + 验证
file_train_and_valid.write(name)
if i in index_train:
     ## 训练
     file_train.write(name)
else:
     ## 验证
     file_val.write(name)
## 测试集
else:
file_test.write(name)

file_train_and_valid .close()
file_train.close()
file_val.close()
file_test.close()

    • voc 格局转 yolo 格局

      import xml.etree.ElementTree as ET
import os
from os import getcwd

dir_type = ['train', 'val']
classes = ["wdj"]   # 改成本人的类别
abs_path = os.getcwd()
print(abs_path)

## voc to Yolo
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
## 归一化
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h

def convert_annotation(image_id):
## 读取 xml
in_file = open('Annotations/%s.xml' % (image_id), encoding='UTF-8')
## 创立 将要保留的文件
out_file = open('labels/%s.txt' % (image_id), 'w')
# xml 工具
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
## 图片的 w\h
w = int(size.find('width').text)
h = int(size.find('height').text)

## 多指标检测
for obj in root.iter('object'):

difficult = obj.find('difficult').text
## 类别
cls = obj.find('name').text
## 类别问题 跳过
if cls not in classes or int(difficult) == 1:
     continue
cls_id = classes.index(cls)
# 上下左右边界
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
     float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修改
if b2 > w:
     b2 = w
if b4 > h:
     b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + "" +" ".join([str(a) for a in bb]) +'\n')

wd = getcwd()

##   E:\GDUT\python_project\ObjectDection\dataset\wdj2

test_file=open("file.txt","w")
test_file.write("测试内容")


## 别离读取三个划分文件：for dir in dir_type:

if not os.path.exists('labels/'):
os.makedirs('labels/')

## 从划分的 txt 文件中获取图片 id
image_ids = open('ImageSets/Main/%s.txt' % (dir)).read().strip().split()

## 根目录创立 txt 文件保留图片绝对路径：##list_file = open('%s.txt' % (dir), 'w')

for image_id in image_ids:
## 图片写入指定的目录
##list_file.write(abs_path + '\\JPGEImages\\%s.jpg\n' % (image_id))
convert_annotation(image_id)
##list_file.close()

    • yolo 数据集中训练集、验证集、测试集的划分

      ## 将 yolo 数据集的格局 依照比例进行划分 用于训练

# 训练集、验证集和测试集的比例调配
test_percent = 0
valid_percent = 0.2
train_percent = 0.8

# 标注文件的门路
srcImg_path=input("源图片门路：")
label_path=input("标签文件路劲：")
if(srcImg_path==""):
image_path = 'JPEGImages'
if(label_path==""):
label_path = 'labels'

## 指标存储文件夹：save_path=input("Yolo 数据集存储地位：")

if(save_path[-1]!="\\"):
save_path=save_path+"\\"

## 获取文件夹下的文件对象
images_files_list = os.listdir(image_path)
labels_files_list = os.listdir(label_path)

total_num = len(images_files_list)

test_num = int(total_num * test_percent)
valid_num = int(total_num * valid_percent)
train_num = int(total_num * train_percent)

# 对应文件的索引
test_image_index = random.sample(range(total_num), test_num)
valid_image_index = random.sample(range(total_num), valid_num)
train_image_index = random.sample(range(total_num), train_num)

dir=["train","valid","test"]
sub_dir=["images","labels"]
for d in dir:
if not os.path.exists(save_path+d):
os.makedirs(save_path+d)
for sd in sub_dir:
if not os.path.exists(save_path+d+"/"+sd):
     os.makedirs(save_path+d+"/"+sd)


for i in range(total_num):
if i in test_image_index:
# 将图片和标签文件拷贝到对应文件夹下
shutil.copyfile('JPEGImages/{}'.format(images_files_list[i]), save_path+'test/images/{}'.format(images_files_list[i]))
shutil.copyfile('labels/{}'.format(labels_files_list[i]), save_path+'test/labels/{}'.format(labels_files_list[i]))
elif i in valid_image_index:
shutil.copyfile('JPEGImages/{}'.format(images_files_list[i]), save_path+'valid/images/{}'.format(images_files_list[i]))
shutil.copyfile('labels/{}'.format(labels_files_list[i]), save_path+'valid/labels/{}'.format(labels_files_list[i]))
else:
shutil.copyfile('JPEGImages/{}'.format(images_files_list[i]), save_path+'train/images/{}'.format(images_files_list[i]))
shutil.copyfile('labels/{}'.format(labels_files_list[i]), save_path+'train/labels/{}'.format(labels_files_list[i]))

正文完
图像识别
发表至： 图像识别
2021-12-03
 0
关于图像识别:入驻紫光展锐坦克邦向芯出发共建共赢
关于图像识别:智慧城市智慧工地平安城市雪亮工程等监控项目中应用SkeyeVSS国标GBT28181流媒体服务
关于图像识别:AI医疗使用神经网络进行医学影像识别分析-⛵
关于图像识别:COMP3617-VAR技术难点