YOLOv5最详细教程，训练自己的数据集

一、官方源码

YOLOv5官方源码链接

二、准备数据集

首先，解压下载好的官方源码，先看文件结构中的data目录，其中，Annotations放XML，images放原图，JPEGImages放原图，如图：

放好数据后，用makeTxt.py代码在ImageSets下生成txt文件，。代码如下：

import os
import random
 
trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
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('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/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()

生成后的文件，如图：

然后用voc_label.py，在labels文件夹中生成txt文件，在data目录下生成txt，代码如下：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
 
sets = ['train', 'test','val']
 
classes = ["fire", "smoke"]
 
 
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), 'r', encoding="UTF-8")
    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()
print(wd)
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%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('G:/yolov5-master/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

voc_label.py倒数第三行的路径最好是绝对路径，生成后的效果，如图：

制作data.yaml，设置自己的路径，标签种类及类别数量，如下：

train: ./train.txt
val: ./val.txt

nc: 3
names: ['red_light', 'green_light', 'yellow_light']

完成效果，如图：

三、训练模型

进入自己的环境，输入训练命令：

python train.py --cfg models/yolov5s.yaml --data models/data.yaml --epochs 200

我这里使用的是yolov5s.yaml，根据自己的需要来选择，迭代次数也是根据自己的需要来输入。

四、结果测试

输入测试命令:

python detect.py --weights runs/train/exp/weights/best.pt --source test/test --output run/now

结果展示：