實戰博客指引：

實戰環境搭建

自定義數據集

模型訓練

模型測試與評估

YOLOv5整合PyQt5

項目源代碼可聯系博主獲取。

一、數據準備

1.1 從官網下載YOLOv5

打開官網YOLOv5，使用git或者直接下載壓縮包

• git下載

git clone git@github.com:ultralytics/yolov5.git

or

git clone https://github.com/ultralytics/yolov5.git

• 直接下載zip壓縮包

二、自定義數據集

2.1 創建目錄

在yolov5目錄下創建文件夾VOCdata，創建圖片路徑以及標注路徑，注意每個標注都對應一個圖片名稱，并區分訓練集與驗證集。目錄如下：

VOCdata--images--train--val--labels--train--val

2.2 數據預覽

下載數據集后，數據集格式如下：

一共有6列，簡要解釋一下每列的意義：

• 第1列：圖片名稱以及圖片格式
• 第2-5列：圖片標注的坐標，以像素為坐標，左上角為原點坐標。
• 第6列：該標注的分類類別。

2.3 數據格式轉換

2.3.1 圖像格式轉換

首先將ppm格式轉換為jpg格式，在VOCdata/下目錄下創建py文件ppm_to_jpg.py:

def ppm_to_jpg(img_out_path, ppm_path):ppm_list = os.listdir(ppm_path)for ppm in ppm_list:if ppm.endswith(".ppm"):path = ppm_path + ppmimg = Image.open(path)new_path = img_out_path + ppm.split(".ppm")[0] + ".jpg"img.save(new_path)print("transfer finish!")

首先指定ppm圖片的輸入路徑以及輸出路徑，并創建文件夾，用于保存訓練集和測試集。注意測試機保存在yolov5/data/images/test/目錄下，用于后面進行數據集的測試。

2.3.2 標注格式轉換

在YOLOv5中，標注坐標有要求格式，因此需要進行轉換。官方的原文如下：

然后準備labels，將xml文件轉換成yolo需要的txt格式。 After using a tool like CVAT, makesense.ai or Labelbox to label your images, export your labels to YOLO format, with one *.txt file per image (if no objects in image, no *.txt file is required). The *.txt file specifications are:- One row per object - Each row is class x_center y_center width height format. - Box coordinates must be in normalized xywh format (from 0 - 1). If your boxes are in pixels, divide x_center and width by image width, and y_center and height by image height. - Class numbers are zero-indexed (start from 0).

The label file corresponding to the above image contains 2 persons (class 0) and a tie (class 27):

接下來進行標注轉換。新建py文件split_labels.py，用于將標注文件進行格式轉換并劃分數據集。這里采用訓練集：驗證集=9：1，在后續中的圖片劃分中將按照該labels文件夾劃分圖像數據集。

def gt2yolo():i = 0file_name = ''for line in open(input_path, "r"): # 設置文件對象words = line.split(';')img_name = words[0].split(".")[0]label = int(words[-1])x = float(words[1]) / orign_ww = float(words[3]) / orign_w - xy = float(words[2]) / orign_hh = float(words[4]) / orign_h - y# 保存路徑。并設置是保存為訓練集還是驗證集if output_path + img_name + ".txt" != file_name:if i < int(nums * 0.9):file_name = output_path + 'train/' + img_name + ".txt"else:file_name = output_path + 'val/' + img_name + ".txt"fw = open(file_name, 'w')else:fw = open(file_name, 'a')# print(file_name)# 寫入文件中fw.write(str(label) + " " + str(x) + " " + str(y) + " " + str(w) + " " + str(h) + "\n")fw.close()i += 1

再看一遍標注文件的格式:

因此基本思路為按照";"劃分數據，并將中間四個像素坐標歸一化到[0,1]區間上。詳細過程在代碼中寫的很詳細，注意要修改自己的輸入輸出路徑以及圖片的大小。
劃分完成后，將得到如下的目錄結構：

2.3.3 劃分圖片

劃分好標注數據集后，將按照該數據集劃分圖像數據?；舅悸窞楸闅v訓練集和驗證集，獲取對應標注的文件名稱，然后找到相應的文件名稱后將圖片移動至對應的訓練集或驗證集中。詳細注釋見代碼，注意修改路徑。
創建split_train_val.py：

def train_val_img_list(img_labels, mode):# 獲取標注路徑下的圖片名稱img_list = os.listdir(os.path.join(img_labels, mode))# print(img_list)# 切片，只需要名稱，不需要格式return [i[:-4] for i in img_list]def split_train_val():# 遍歷訓練集與驗證集標注目錄，獲取圖片名稱for i in label_list:img_list = train_val_img_list(img_labels, i)# 指定輸入位置與保存位置for img_name in img_list:# D:/download/Train_jpg/00000.jpgin_img_path = os.path.join(input_path, str(img_name)) + ".jpg"# D:/yolov5/VOCdata/images/train\00000.jpgout_img_path = os.path.join(out_path, i, str(img_name)) + '.jpg'shutil.copy(in_img_path, out_img_path)print("copy finish!!")

劃分完成后，將得到如下目錄結構：

瀏覽目錄文件，確定訓練集與驗證集中的圖片名稱與標注目錄中相對應：

2.4 創建配置文件

在yolov5的data目錄下創建myvoc.yaml文件，用于指定訓練集與驗證集的路徑。注意指定的訓練集與驗證集路徑與前文保持一致。修改nc，及你需要分類的數量。在names里指定分類的名稱。
其內容如下：

注意nc的值要和names的個數相同，yaml文件的冒號后面需要添加一個空格！！！train,val,nc,names的冒號后面都有一個空格，別忘了。

參考文章

• 1.https://blog.csdn.net/qq_36756866/article/details/109111065
• 2.https://blog.csdn.net/qq_45945548/article/details/121701492

總結

以上是生活随笔為你收集整理的【YOLOv5实战2】基于YOLOv5的交通标志识别系统-自定义数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。