模型训练测试之三:yolov5 模型训练及windows部署(一)

2021/7/10 7:08:23

本文主要是介绍模型训练测试之三:yolov5 模型训练及windows部署(一),对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

1、项目背景

本想写项目,但被说了,所以,没了。

本项目基于Pytorch版本的yolov5实现xxxx识别。

2、网络结构介绍

​ Pytorch版本的yolov5的模型介绍,估计网上一大堆,要想看源码或者原始模型介绍,可自行百度。如果需要pdf版本(自己不想找),私信我即可。
在这里插入图片描述

3、模型训练

​ 源码下载:https://github.com/ultralytics/yolov5.git

3.1 源码目录主要部分介绍:
  • 环境配置

    conda activate yolov5
    pip install -r requirements.txt
    

    如果anaconda官方源安装速度较慢,可指定源进行安装,如

    pip install -r requirements.txt  -i https://pypi.doubanio.com 豆瓣源
    
  • data文件夹(创建自己的训练文件)
    在这里插入图片描述

  • datasets文件夹(创建自己的训练数据集)
    在这里插入图片描述

3.2 数据集准备

​ 举例:

  • 准备10000张图片,及对应的xml文件,存放于 images里面即可;

  • 使用convert_data.py,将其放在项目根目录下,运行对数据集进行处理,生成满足yolov5训练的格式,

    # -*- coding: utf-8 -*-
    import xml.etree.ElementTree as ET
    from tqdm import tqdm
    import os
    from os import getcwd
    
    # 重点是下面这块代码,即将box = [xmin, ymin, xmax, ymax] -> [x_center, y_center, width, height]
    def convert(size, box):
        dw = 1. / (size[0])
        dh = 1. / (size[1])
        x = (box[0] + box[1]) / 2.0 - 1 # 求中心点坐标x, y
        y = (box[2] + box[3]) / 2.0 - 1
        w = box[1] - box[0] # 求宽度,高度
        h = box[3] - box[2]
        x = x * dw
        w = w * dw
        y = y * dh
        h = h * dh
        return x, y, w, h
    
    def convert_annotation(image_id, project_name):
        # 自己可选择是否添加异常处理,此处注释
        # try:
        # 打开对应图片xml文件
        in_file = open('datasets/{}/images/{}.xml'.format(project_name, image_id), encoding='utf-8')
    	# 创建对应图片txt文件
        out_file = open('datasets/{}/labels/{}.txt'.format(project_name, image_id), 'w', encoding='utf-8')
        tree = ET.parse(in_file) # 解析xml
        root = tree.getroot()
        size = root.find('size')
        w = int(size.find('width').text) # 获取高宽
        h = int(size.find('height').text)
        # 读取xml中各个object的bbox信息
        for obj in root.iter('object'):
            difficult = obj.find('difficult').text
            cls = obj.find('name').text
            if cls not in classes or int(difficult) == 1:
                continue
            cls_id = classes.index(cls)
            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
            # 标注越界修正
            if b2 > w:
                b2 = w
            if b4 > h:
                b4 = h
            b = (b1, b2, b3, b4) # 得到某一个object的bbox信息
            bb = convert((w, h), b) # 进行转换
            out_file.write(str(cls_id) + " " +
                           " ".join([str(a) for a in bb]) + '\n')
        # except Exception as e:
        #     print(e, image_id)
    
    
    if __name__ == '__main__':
    
        # 自定义修改
        project_names = {"coco_xxxx_ocr": ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'B', 'C', 'D', 'E', 'F' , 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z'],}
        
        project_name = 'coco_xxxx_ocr'
        sets = ['train', 'val']
    
        # 获取images里的所有图片的序号
        image_ids = [v.split('.')[0]
                     for v in os.listdir('datasets/{}/images/'.format(project_name)) if v.endswith('.xml')]
        import random
        random.shuffle(image_ids) # 打乱数据集
        split_num = int(0.95 * len(image_ids)) # 划分数据集
        classes = project_names[project_name] # 获取对应数据集的标签列表
    	# 创建转换之后的txt文件存放路径labels
        if not os.path.exists('datasets/{}/labels/'.format(project_name)):
            os.makedirs('datasets/{}/labels/'.format(project_name))
    	# 创建train2017.txt
        list_file = open('datasets/{}/train2017.txt'.format(project_name), 'w')
        for image_id in tqdm(image_ids[:split_num]):
            # 此处是对所有类型图片机型智能化区分,有bmp、jpg
            if os.path.exists('datasets/{}/images/{}.bmp'.format(project_name, image_id)):
                list_file.write('datasets/{}/images/{}.bmp\n'.format(project_name, image_id))
            elif os.path.exists('datasets/{}/images/{}.jpg'.format(project_name, image_id)):
                list_file.write('datasets/{}/images/{}.jpg\n'.format(project_name, image_id))
            # 转换
            convert_annotation(image_id, project_name)
        list_file.close()
    	# 创建val2017.txt
        list_file = open('datasets/{}/val2017.txt'.format(project_name), 'w')
        for image_id in tqdm(image_ids[split_num:]):
            if os.path.exists('datasets/{}/images/{}.bmp'.format(project_name, image_id)):
                list_file.write('datasets/{}/images/{}.bmp\n'.format(project_name, image_id))
            elif os.path.exists('datasets/{}/images/{}.jpg'.format(project_name, image_id)):
                list_file.write('datasets/{}/images/{}.jpg\n'.format(project_name, image_id))
            convert_annotation(image_id, project_name)
        list_file.close()
    
    
    

    完成数据转换,即在同名数据集下,

    1)自动生成labels文件夹,里面包含对应图片的txt文件。如下:
    在这里插入图片描述

2)train2017.txt、val2017.txt、test2017.txt

​ 如下所示,每一行为每一张图片的路径,可绝对,可相对,建议绝对 该py文件,其实满足所有yolo系列的数据集处理。

  • 开始训练

    python train.py --img 640 --batch 4 --epoch 300 --data .\data\coco_xxxx_ocr.yaml --cfg .\models\yolov5m.yaml --weights .\weights\yolov5m.pt --workers 0
    

在这里插入图片描述

训练报错处理1:

OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized. OMP: Hi.......

在train.py文件开头添加几行代码,如下,即可解决
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE' 
  • 模型测试1(单张图片)
python detect.py --weights ..\runs\train_xxxx_ocr\exp6\weights\best.pt --source ..\test\xxxxxxxxxxx.jpg

在这里插入图片描述

  • 模型测试2(批量测试,生成对应txt)

    test.py 文件里
    在这里插入图片描述

    --task 测试文件中的任务选项,有train、val、test,对应yaml文件中的三个有train2017.txt\val2017.txt\test2017.txt路径,如果没有txt文件,根据你的测试图片路径创建,然后在yaml文件中进行修改
    --data 和训练代码中的类似,--data .\data\coco_xxxx_ocr.yaml
    --weights 训练出来的模型路ing ..\runs\train_xxxx_ocr\exp6\weights\best.pt 
    --batch_size 测试批次大小,取决于自己的电脑配置
    --imgsz 测试图片resize大小,和训练时匹配一致即可
    --device 0,1,2,3..... 或者cpu
    --save-txt 是否对应图片结果保存txt文件
    
    
    python test.py --weights ..\runs\train_xxxx_ocr\exp6\weights\best.pt --data .\data\coco_xxxx_ocr.yaml
    

在这里插入图片描述



这篇关于模型训练测试之三:yolov5 模型训练及windows部署(一)的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!


扫一扫关注最新编程教程