yolov5+deepsort训练自己的数据

YOLO-Fastest训练自己的数据 继续yolo-fastest的学习,上一篇已经基本跑通了yolo-fastest,接下来开始训练,本次代码依旧是:https://github.com/dog-qiuqiu/Yolo-Fastest 吐槽一句,这个代码里面怎么啥都有,感觉好乱啊!

YOLO-Fastest训练自己的数据

继续yolo-fastest的学习,上一篇已经基本跑通了yolo-fastest,接下来开始训练,本次代码依旧是:https://github.com/dog-qiuqiu/Yolo-Fastest
吐槽一句,这个代码里面怎么啥都有,感觉好乱啊!刚开始看的时候一脸懵逼,反复确认才明白没下载错代码。
然后作者官方Readme只要简简单单的一两句话介绍训练,估计是要逼死小白!
在这里插入图片描述

一、配置环境

1.win10
2.cuda10.2+cudnn
3.opencv451
4.vs2015
5.cmake

二、数据集制作

(1)制作工具
labelImg(这个就不展开说了),标注完成后获得一大堆标注文件(xml格式)。
在这里插入图片描述
(2)数据格式转换
上一步中,获得的数据是满足voc数据要求的,但是对于yolo系列,需要做一些处理。
1)新建mydata文件夹,在该文件下继续新建data文件夹,data文件下继续新建Annotations、images、ImageSets(里面再建Main文件夹)、labels。如图
在这里插入图片描述
继续新建脚本文件makedata.py文件

import os
import random
 
trainval_percent = 0.2   #可自行进行调节
train_percent = 1
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)
 
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
 
#ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
#fval = open('ImageSets/Main/val.txt', 'w')
 
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        #ftrainval.write(name)
        if i in train:
            ftest.write(name)
        #else:
            #fval.write(name)
    else:
        ftrain.write(name)
 
#ftrainval.close()
ftrain.close()
#fval.close()
ftest.close()

继续新建脚本voc_label.py,这个脚本文件和data文件夹同级。
在这里插入图片描述

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
 
sets = ['train', 'test']
 
classes = ['QR']  #自己训练的类别
 
 
def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    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):
    in_file = open('data/Annotations/%s.xml' % (image_id))
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
 
    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))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
 
 
wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

注意:1.修改一下自己的训练类别,我的只有一个类别QR
2.倒数第三行,图像格式需要对应
依次运行上面两个脚本,既可获得满足yolo的数据格式。
在这里插入图片描述
第一个数值是类别编号,后面四个值分别是左上点和右下点的归一化后的坐标。

三、yolo-fastest准备工作

(1).复制数据集
将上面获得的data文件夹直接复制到Yolo-Fastest-master\build\darknet\x64文件下。
在这里插入图片描述
(2).修改配置文件
在Yolo-Fastest-master\build\darknet\x64\cfg文件夹下找到yolo-fastest-1.1.cfg(也可以是其他的,后面对应修改就行)。
1.修改batch和subdivisions参数。

[net]
batch=16
subdivisions=8
width=320
height=320
channels=3

2.filters参数,只需要修改两处的,千万别全改了!

########修改858行和926行
########filters=(cls_num+5)*3
[convolutional]
size=1
stride=1
pad=1
filters=18
activation=linear

(3).新建.data和.names文件。
在Yolo-Fastest-master\build\darknet\x64\data文件夹中新建data和names文件。
在这里插入图片描述
我的是QR.data和QR.names。data文件如下

classes= 1
train  = data/train.txt
valid  = data/test.txt
#valid = data/coco_val_5k.list
names = data/QR.names
backup = backup/

只要找到你的train.txt和test.txt文件就行。这两个txt文件实际上也是图像的引索路径。
在这里插入图片描述
names文件里面换成自己的类别就行

四、训练yolo-fastest

(1)生成预训练模型
Yolo-Fastest-master\build\darknet\x64文件夹下新建pretrained_model文件夹,之后在该文件夹下会生成预训练模型。新建一个QR.bat文件,写入如下指令后双击既可(话说这样子运行指令感觉还不错)

darknet partial cfg\yolo-fastest-1.1.cfg cfg\yolo-fastest-1.1.weights pretrained_model\yolo-fastest-1.1.conv.109 109
pause

在这里插入图片描述

会在上述文件夹生成预训练权重文件(这文件真的是太小了,简直amazing
在这里插入图片描述
(2)正式训练
继续在Yolo-Fastest-master\build\darknet\x64文件夹下新建QRtrain.bat文件,并写入

darknet detector train data\QR.data cfg\yolo-fastest-1.1.cfg pretrained_model\yolo-fastest-1.1.conv.109 backup\
pause

双击QRtrain.bat既可开始训练,如图
在这里插入图片描述
多说一句,旁边那个记录loss的图像,只有loss下降到了18后才会有数值,但是刚开始loss值很大,不会有动静,不要以为是模型有问题,等着loss下降既可。在backup中会生成权重文件。
在这里插入图片描述
接下来测试一下

darknet.exe detector test ./data/QR.data ./cfg/yolo-fastest-1.1.cfg ./backup/yolo-fastest-1_last.weights ./data/QR-00064.jpg

在这里插入图片描述
效果有点不好说,但是据说移动端会很快,所以接下来继续想着部署了。
在这里插入图片描述
看完了点个赞呗!

知秋君
上一篇 2024-07-21 07:48
下一篇 2024-07-21 07:12

相关推荐