yolov5 目标检测训练学习笔记
yolov5
实操的时候老是提示找不到标签或者图片什么的，结果需要把图片文以及标签txt文件放在同一个目录中，不能分开放，因为yaml配置文件中我还没有找到可以分开配置路径的方法，暂时只能放到一个目录中，我的配置文件：
train: ../data/train_img
val: ../data/val_img
nc: 1 # 类别数量，这里是气球
names: ['balloon'] # 类别名称训练数据集下载
先保存到自己的数据集，点击下载数据ZIP文件
https://openbayes.com/console/public/datasets/sFP84BCSkDW/2/overview
处理图片和标签数据集中的数据，转成yolo使用的格式，保存到txt文件中
data_init.py:
import json
import os
from PIL import Image
def convert_json_to_yolo(json_folder, img_folder, output_folder):
if not os.path.exists(output_folder):
os.makedirs(output_folder)
for json_file in os.listdir(json_folder):
if json_file.endswith('.json'):
with open(os.path.join(json_folder, json_file)) as f:
data = json.load(f)
# 假设图片名称与JSON文件名称相同，但扩展名不同
image_name = json_file.replace('.json', '.jpg') # 或其他扩展名
img_path = os.path.join(img_folder, image_name)
# 自动获取图像尺寸
with Image.open(img_path) as img:
img_width, img_height = img.size
yolo_lines = []
for bbox in data['bboxes']:
x_coords = bbox['x_arr']
y_coords = bbox['y_arr']
x_min = min(x_coords)
x_max = max(x_coords)
y_min = min(y_coords)
y_max = max(y_coords)
# 计算YOLO格式的中心坐标和宽高
x_center = (x_min + x_max) / 2
y_center = (y_min + y_max) / 2
width = x_max - x_min
height = y_max - y_min
# 转换为相对坐标
x_center /= img_width
y_center /= img_height
width /= img_width
height /= img_height
yolo_lines.append(f"0 {x_center} {y_center} {width} {height}") # 类别ID假设为0
# 保存为YOLO格式文件
with open(os.path.join(output_folder, image_name.replace('.jpg', '.txt')), 'w') as out_file:
out_file.write('\n'.join(yolo_lines))
# 调用函数
convert_json_to_yolo('train_json', 'train_img', 'train_img')
convert_json_to_yolo('val_json', 'val_img', 'val_img')
训练
可能是电脑配置低了，我在执行1张图片训练的时候，顺利完成，但是把所有图片丢到目录训练时，结果看到：Killed 就结束了，后续再研究研究
python train.py --img 640 --batch 16 --epochs 50 --data data/balloon.yaml --weights yolov5s.pt --cache使用训练出来的模型测试其它图片
这步还没有执行，不知道结果会是怎样，期待尝试
python detect.py --weights runs/train/exp/weights/best.pt --img 640 --conf 0.25 --source path/to/test/images以下是AI提供的资料，仅作参考：
1. 环境搭建
安装Python和相关库
确保你安装了Python（推荐使用3.7及以上版本），然后安装必要的库。可以使用Anaconda管理你的环境：
conda create -n balloon-env python=3.8
conda activate balloon-env
pip install torch torchvision torchaudio # 如果使用PyTorch
pip install opencv-python numpy matplotlib # OpenCV和其他工具安装YOLOv5
你可以使用YOLOv5，它的文档非常齐全，适合初学者。可以从GitHub克隆YOLOv5仓库：
git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt2. 准备数据集
确保你的数据集按照YOLO格式组织。文件结构大致如下：
/data
/images
train # 训练集图片
val # 验证集图片
/labels
train # 训练集标签
val # 验证集标签标签文件的格式为每行一个物体，格式为：<class_id> <x_center> <y_center>
3. 配置训练参数
在yolov5/data目录下，创建一个新的配置文件（例如balloon.yaml）来描述你的数据集，内容如下：
train: ../data/images/train
val: ../data/images/val
nc: 1 # 类别数量，这里是气球
names: ['balloon'] # 类别名称4. 训练模型
在YOLOv5目录下运行训练命令：
python train.py --img 640 --batch 16 --epochs 50 --data data/balloon.yaml --weights yolov5s.pt --cache--img：设置输入图像的大小。
--batch：每次训练的批量大小。
--epochs：训练轮数。
--data：数据集配置文件。
--weights：可以选择使用YOLOv5的预训练模型。
5. 监控训练过程
训练过程中，你可以在控制台查看损失值和准确率。训练完成后，模型会保存在runs/train/exp/weights目录中，通常会生成best.pt和last.pt。
- 测试模型
在训练完成后，你可以使用以下命令对新的图像进行测试：
python detect.py --weights runs/train/exp/weights/best.pt --img 640 --conf 0.25 --source path/to/test/images--source：可以是单个图像、文件夹或视频。
7. 结果可视化
检测结果会保存在runs/detect/exp目录中，你可以查看输出的图片，并验证模型的效果。
8. 调整与优化
如果结果不理想，可以考虑以下方法进行优化：
增加数据集大小或多样性。
调整超参数（如学习率）。
进行数据增强。