Bootstrap

YOLOV7学习/labelimg创建数据集，训练模型

一、安装labelimg

 pip install -i https://pypi.mirrors.ustc.edu.cn/simple/ labelimg

二、使用labelimg标记图片

1.新建文件夹

    1. 在yolov7目录下新建一个名为VOCData的文件夹

     

     2. 在VOCData文件夹下创建 Annotations 和 images 文件夹

[说明]：

  • Annotations 文件夹用于存放使用labelimg标记后的图片（XML格式）

  • images 文件夹用于存放用于标记的图片

    （【注意】：images 文件夹下直接放图片，内部不要嵌套有文件夹，否则之后训练可能会出现 No label found 的错误）

[为什么]：

 在 yolov7 的 utils 文件夹打开 dataloaders.py文件后，搜索define，便可以找到这样的一段代码：

       该段代码的作用是由images文件夹的地址直接推出labels文件夹的位置，所以我们存储图片的文件必须叫做images，同时labels文件必须和images文件必须在同一目录下

2.标记图片

  1. 在cmd窗口下输入 labelimg 或者运行 labelimg.py 文件进入labelimg的可执行程序（注：在虚拟环境下安装的labelimg记得先激活虚拟环境）

  2. 分别设置需要标注图片的文件夹和存放标记结果的文件夹的地址

    3. 推荐设置自动保存

     4. 标记图片快捷键：w：标记 a：上一张图片 d：下一张图片

     5. 在Annotations文件夹下可以看到我们标记好的XML文件

三、 划分数据集以及配置文件修改

1. 划分训练集、验证集、测试集

 在VOCData目录下创建程序 split_train_val.py 并运行以下代码。代码可以不做任何修改

 # coding:utf-8
 ​
 import os
 import random
 import argparse
 ​
 parser = argparse.ArgumentParser()
 #xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下
 parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
 #数据集的划分，地址选择自己数据下的ImageSets/Main
 parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
 opt = parser.parse_args()
 ​
 trainval_percent = 1.0  # 训练集和验证集所占比例。 这里没有划分测试集
 train_percent = 0.9     # 训练集所占比例，可自己进行调整
 xmlfilepath = opt.xml_path
 txtsavepath = opt.txt_path
 total_xml = os.listdir(xmlfilepath)
 if not os.path.exists(txtsavepath):
     os.makedirs(txtsavepath)
 ​
 num = len(total_xml)
 list_index = range(num)
 tv = int(num * trainval_percent)
 tr = int(tv * train_percent)
 trainval = random.sample(list_index, tv)
 train = random.sample(trainval, tr)
 ​
 file_trainval = open(txtsavepath + '/trainval.txt', 'w')
 file_test = open(txtsavepath + '/test.txt', 'w')
 file_train = open(txtsavepath + '/train.txt', 'w')
 file_val = open(txtsavepath + '/val.txt', 'w')
 ​
 for i in list_index:
     name = total_xml[i][:-4] + '\n'
     if i in trainval:
         file_trainval.write(name)
         if i in train:
             file_train.write(name)
         else:
             file_val.write(name)
     else:
         file_test.write(name)
 ​
 file_trainval.close()
 file_train.close()
 file_val.close()
 file_test.close()

运行结束后会在生成一个名为 ImageSets 的文件夹：

[说明]：

  • 训练集是用来训练模型的，通过尝试不同的方法和思路使用训练集来训练不同的模型

  • 验证集使用交叉验证来挑选最优的模型，通过不断的迭代来改善模型在验证集上的性能

  • 测试集用来评估模型的性能

2.XML格式转yolo_txt格式

在VOCData目录下创建程序 xml_to_yolo.py 并运行以下代码，注意：

  • 将classes改为自己标注时设置的类名（我这里叫"fall"）

  • 将各个绝对路径修改为自己的

  • \ 是 python中的转义字符，所以表示地址时要使用 \取消转义，或者/

 # -*- coding: utf-8 -*-
 import xml.etree.ElementTree as ET
 import os
 from os import getcwd
 ​
 sets = ['train', 'val', 'test']
 classes = ["fall"]  # 改成自己的类别
 abs_path = os.getcwd()
 print(abs_path)
 ​
 ​
 def convert(size, box):
     dw = 1. / (size[0])
     dh = 1. / (size[1])
     x = (box[0] + box[1]) / 2.0 - 1
     y = (box[2] + box[3]) / 2.0 - 1
     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('E:/AI/yolov7/VOCData/Annotations/%s.xml' % (image_id), encoding='UTF-8')
     out_file = open('E:/AI/yolov7/VOCData/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
         # 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))
         b1, b2, b3, b4 = b
         # 标注越界修正
         if b2 > w:
             b2 = w
         if b4 > h:
             b4 = h
         b = (b1, b2, b3, b4)
         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('E:/AI/yolov7/VOCData/labels/'):
         os.makedirs('E:/AI/yolov7/VOCData/labels/')
     image_ids = open('E:/AI/yolov7/VOCData/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
 ​
     if not os.path.exists('E:/AI/yolov7/VOCData/dataSet_path/'):
         os.makedirs('E:/AI/yolov7/VOCData/dataSet_path/')
     # 这行路径不需更改，这是相对路径
     list_file = open('dataSet_path/%s.txt' % image_set, 'w')
 ​
     # 图片格式为jpg则设置为 .jpg, 如果为png则设置为 .png。否则会出现路径找不到的问题
     for image_id in image_ids:
         list_file.write('E:/AI/yolov7/VOCData/images/%s.jpg\n' % image_id)
         convert_annotation(image_id)
     list_file.close()
运行后会生成如下图所示的 dataSet_path和 labels文件夹。dataSet_path下会有三个数据集的txt文件，labels下存放各个图像的标注文件

其中 labels 中为不同图像的标注文件。每个图像对应一个txt文件，文件每一行为一个目标的信息，包括class, x_center, y_center, width, height格式，这种即为 yolo_txt格式

3.配置文件

 在 yolov7 的 data 文件夹下创建一个名为 myvoc.yaml，模板如下，根据自己实际情况填写： 【注意】：注意冒号后面是有空格的

 train: E:/AI/yolov7/VOCData/dataSet_path/train.txt
 val: E:/AI/yolov7/VOCData/dataSet_path/val.txt
 ​
 # number of classes
 nc: 1
 ​
 # class names
 names: ["fall"]

4.聚类获得先验框

  1. 获取anchors yolov7可以在 utils文件夹下找到 autoanchor.py文件，它的作用是自动获取anchors，因此我们不需要额外的操作。

     2. 在 cfg 文件夹下找到 training/yolov7x.yaml（如果使用这个权重模型训练的话），将其中的 nc 改为实际上标注类的数量，和 myvoc.yaml一样（记得保存）。

       3. 修改train.py文件

四、使用CPU训练

  1. 在cmd窗口下激活相应虚拟环境后 cd 到 yolov7 文件夹后，输入下列指令即可开始训练

 python train.py --weights yolov7x.pt  
--cfg cfg/training/yolov7x.yaml  
--data data/myvoc.yaml --epoch 200 
--batch-size 8 --img 640   --device cpu

[参数说明]：

  • --weights ：权重文件所在的相对路径

  • --cfg：存储模型结构配置文件的相对路径

  • --data：存储训练、测试数据的文件的相对路径

  • --epoch：训练过程中整个数据集将被迭代（训练）了多少次

  • --batch-size：训练完多少张图片才进行权重更新

  • --img：自适应缩放输入图片的尺寸为指定大小。在YOLOv5中，输入图像的大小需要是正方形，并且是 32 的倍数

  • --device：选择用CPU或者GPU训练

    【注意】：在指定路径的时候需要注意，在python中，\是转移字符，如果我们想要表示路径，则需要使用/或者\取消转义

    (开始训练)

   2. 运行error

错误1： 

定位在71行：在run_id = torch.load(weights)中加上,map_location='cpu'

错误2：

可能是标记的数据没有加载到文件夹。这里我重新运行VOCData的.py文件，即可成功运行

   3. 可以在E:\AI\yolov7\runs\train\exp10文件夹中查看训练相关的信息

    4. 预测与测试

训练得到的模型保存在runs/train/exp/weights里面，使用best.pt模型,其余模型可以删除,

修改detect.py

使用下面的命令，其中，weights使用最满意的训练模型即可，source则提供一个包含所有测试图片的文件夹路径即可。

  python detect.py --weights runs/exp10/weights/best.pt 
--source VOCData/images/ --device cpu

五、训练可视化

训练时或者训练后可以利用 tensorboard 查看训练可视化

 tensorboard --logdir=runs

六、 连接本地摄像头

  • 在E:\AI\yolov7\utils\datasets.py代码下

  • 在E:\AI\yolov7\utils\general.py代码下修改

  • 在E:\AI\yolov7\detect.py下修改

  • 最后，运行detect.py文件

刚开始打不开相机，以为是权限问题，后来发现系统的也打不开，开始以下操作：

 打开注册表设置
 （1）打开cmd命令行，输入regedit，按下回车打开注册表；
 （2）在注册表中依次展开:（注意双击哟）HKEY_LOCAL_MACHINE～SOFTWARE～Microsoft～Windows Media Foundation～Platform；
 在右边空白处点击右键，新建DWORD（32位）值；
 （4）直接输入命名为 EnableFrameServerMode 点击确定即可；
 （5）退出，重新打开相机

悦读

道可道，非常道；名可名，非常名。 无名，天地之始，有名，万物之母。 故常无欲，以观其妙，常有欲，以观其徼。 此两者，同出而异名，同谓之玄，玄之又玄，众妙之门。

最新收录
【技术分享】基于NSGAII遗传算法的matlabB样条轨迹规划：7次非均匀B样条实现时间、能量和冲击最优，简单好用！，基于NSGAII遗传算法的7次非均匀B样条轨迹规划实现时间、能量、冲击最优化
【洛谷】B3650 [语言月赛202208] 求和
CH6-集合 (5个案例实现)
头歌-信息安全技术-用Python实现自己的区块链、支持以太坊的云笔记服务器端开发、编写并测试用于保存云笔记的智能合约、支持以太坊的云笔记小程序开发基础
解决报错 errMsg: Nacos serialize for class [com.alibaba.nacos.common.http.HttpRestResult] failed.
java new 一个对象所占内存的问题
初阶数据结构之顺序表的实现
数据库学习记录——错题总结（三）
EDAC sbridge MC0: HANDLING MCE MEMORY ERROR导致宕机
深入理解Linux网络（一）：内核如何接收网络包
;