请注意：各个文件路径不能有中文
一. 环境搭建
-
从github上克隆仓库到本地
https://github.com/ultralytics/yolov5
VSCode 克隆仓库需要安装Git
-
搭建Yolo5环境
项目下requirements.txt文件中为Yolo环境所依赖的外部库
可通过pip单独安装，也可CMD运行requirements.txt批量安装
C:\Users\viarondu>cd C:\Users\viarondu\Desktop\01\YOLO\yolov5
C:\Users\viarondu\Desktop\01\YOLO\yolov5>pip install -r requirements.txt
二. 图像标注
标注方案一 使用labelImg标注（推荐）
-
双击运行指定软件
-
设置文件夹路径
-
打开自动保存设置
-
框定对象进行标注
-
在yolo5的data文件下创建以下文件夹：
images存放所有标注图片
JPEGImages存放的和images文件的内容一样，也是存放所有标注图片
Annotations存放标注的xml文件，将labelImg导出文件下生成的标注xml文件拷贝到此文件夹内
标注方案二 使用VoTT
使用VoTT标注导出的文件可能在Yolo中报错
-
下载 VoTT（视觉对象标记工具）。
-
打开 VoTT，选择“新建项目”。
-
在“项目设置”中，将“显示名称”更改为项目名称。
-
更改安全令牌，以生成新的安全令牌。
-
在“源连接”旁边，选择“添加连接”。
-
在“连接设置”中，设置图像文件夹。
-
在“项目设置”中，将“源连接”更改为 刚创建的连接。
-
将“目标连接”也更改为 更改为 刚创建的连接，现在应类似于以下屏幕截图：
-
选择“保存项目”。
添加标记并为图像添加标签
现在，你应该会看到一个窗口，其中左侧是所有训练图像的预览图像，中间是所选定图像的预览图像，右侧是标记列。 -
选择“标记”工具栏中的第一个（加号形状）图标，以添加新标记。
-
将标记命名为“Stop-Sign”，然后在键盘上按 Enter 键。
-
单击并拖动鼠标，围绕图像中的每个停车标志绘制一个矩形。 如果无法使用光标绘制矩形，请尝试从顶部的工具栏中选择“绘制矩形”工具，或使用键盘快捷键 R。
-
绘制矩形后，选择在前面的步骤中创建的 Stop-Sign 标记，将此标记添加到边界框。
-
单击数据集中下一个图像的预览图像，重复此过程。
-
继续对每个图像中的每一个停车标志进行标准。
导出Pascal VOC
为所有训练图像添加标签后，可以导出文件，以便 Model Builder 使用它进行训练。
-
选择左侧工具栏中的第四个图标（框中包含斜箭头的图标），以转到“导出设置”。
-
将“提供程序”保留为Pascal VOC。
-
选择“保存导出设置”。
-
返回到“标记编辑器”（形状类似功能区的左侧工具栏中的第二个图标）。 在顶部工具栏中，选择“导出项目”图标（最后一个图标，形状类似包含箭头的框），或使用键盘快捷键 Ctrl+E。
此导出操作将在图像资源文件夹下件新建一个名为*****-PascalVOC-export的文件夹，并将在此新文件夹中生成如下标注文件：
-
将VoTT导出的文件如下：
拷贝到YOLO项目的data文件夹下，并新建images和labels文件夹
images存放训练照片，需将训练照片拷贝一份存于此文件下
三. YOLO项目标注配置文件生成
- 生成Yolo标注配置文件
在yolov5的根目录下创建一个trans_txt.py文件,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()
- 继续创建voc_label.py文件，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数组输入打的标签种类
classes = ['heros','soliders','tower','red_buff','blue_buff','pig','wolf','bird','lizards']
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()
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('data/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()
这个文件需要修改，代码中
classes = [‘heros’,‘soliders’,‘tower’,‘red_buff’,‘blue_buff’,‘pig’,‘wolf’,‘bird’,‘lizards’]这一条语句需要根据你打标签的时候的类别进行修改，有几类写几类；
依次运行trans_txt.py和voc_label.py两个文件，将在：
（1） labels下生成txt文件（显示数据集的具体标注数据）
（2） ImageSets下生成四个txt文件
（3）data下生成三个txt文件（带有图片的路径）
四. YOLO训练参数设置
- 设置data文件下coco.yaml文件
参数说明：
path: ../datasets/coco # dataset root dir datasets根路径，这里不使用，不做修改
# 训练图片标注文件
train: C:/Users/viarondu/Desktop/01/YOLO/yolov5/data/train.txt # train images (relative to 'path') 118287 images
# 验证图片标注文件
val: C:/Users/viarondu/Desktop/01/YOLO/yolov5/data/val.txt # val images (relative to 'path') 5000 images
#测试文件标注文件
test: C:/Users/viarondu/Desktop/01/YOLO/yolov5/data/test.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794
# Classes 对象标签，有几类就填几类，ID从0开始
names:
0: Stop-Sign
- models模型文件的修改
本案例中选择Yolov5m网络结构，此网络结构兼顾了速度和准确率
找到models文件夹下面的yolov5m.yaml，将nc改为识别对象种类的数量即可
- 权重文件配置
在yolov5文件夹下创建一个名为weights的文件夹，然后把data/scripts文件下download_weights.sh放在weights文件下；
权重文件下载地址：
将下载后的权重文件存放于weights文件下：
4. 设置train.py文件
1.–weights: 权重文件地址
2.–cfg: 模型文件地址，路径就是models文件夹下面的yolov5s.yaml，如果使用的是其他模型，修改为models文件下的对应模型的yaml文件即可
3.–data: 这个路径就选我们在第四个步骤中自己配置的yaml文件，我的是coco_Aron.yaml
4.–epochs:训练过程中整个数据集将被迭代多少次
5.–batch-size：一次看完多少张图片才进行权重更新，最好是2的倍数，设为-1则根据电脑配置自动调整
五. 训练并测试结果
设置完成后，运行train.py 
训练完成后，在yolov5\runs\train\exp路径下会生成对应权重文件
测试结果：
设置detect.py文件
关键参数说明：
–weights：训练完成后导出的权重文件地址
–source：测试文件路径
–conf-thres：得分阈值
–max-det：单个图像查找到的最大对象数量
运行detect.py文件：
在yolov5\runs\detect\exp路径下会生成最终识别结果
