YOLOv6训练自己的数据集

文章目录

  • 前言
  • 一、YOLOv6简介
  • 二、环境搭建
  • 三、构建数据集
  • 四、修改配置文件
    • ①数据集文件配置
    • ②权重下载
    • ③模型文件配置
  • 五、模型训练和测试
    • 模型训练
    • 模型测试
  • 总结

前言

提示：本文是YOLOv6训练自己数据集的记录教程，需要大家在本地已配置好CUDA,cuDNN等环境，没配置的小伙伴可以查看我的往期博客：在Windows10上配置CUDA环境教程

YOLOv6是美团视觉智能部研发的一款面向工业应用的目标检测框架，该框架在保持高检测精度的同时，兼顾了推理效率，是YOLO系列中的又一改进版本。

在这里插入图片描述

代码地址：https://github.com/meituan/YOLOv6
论文地址：https://arxiv.org/abs/2209.02976

在这里插入图片描述

一、YOLOv6简介

主要特点：

  1. Hardware-friendly的骨干网络设计
    YOLOv6采用了基于RepVGG style的可重参数化、更高效的骨干网络EfficientRep Backbone，以及Rep-PAN Neck，这些设计使得网络在推理时能够更有效地利用硬件资源，提高推理速度。

  2. 更简洁高效的Decoupled Head
    YOLOv6采用了解耦检测头（Decoupled Head）结构，并对其进行了精简设计，以减少网络延时，同时保持较高的检测精度。

  3. 高精度与高效率
    YOLOv6在工业界常用的尺寸模型中表现出色。例如，YOLOv6-nano在COCO数据集上的精度可达35.0% AP，在NVIDIA Tesla T4 GPU上的推理速度可达1242 FPS；YOLOv6-s在COCO上的精度可达43.1% AP，推理速度可达520 FPS。

  4. 部署友好
    YOLOv6支持多种不同平台的部署，包括GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等，极大地简化了工程部署时的适配工作。

二、环境搭建

在配置好CUDA环境，并且获取到YOLOv6源码后，建议新建一个虚拟环境专门用于YOLOv6模型的训练。将YOLOv6加载到环境后，安装剩余的包。requirements.txt 中包含了运行所需的包和版本，利用以下命令批量安装：

pip install -r requirements.txt

三、构建数据集

YOLOv6模型的训练需要原图像及对应的YOLO格式标签，还未制作标签的可以参考我这篇文章：LabelImg安装与使用教程。

我的原始数据存放在根目录的data文件夹（新建的）下，里面包含图像和标签。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

标签内的格式如下：
在这里插入图片描述

具体格式为 class_id x y w h，分别代表物体类别，标记框中心点的横纵坐标(x, y)，标记框宽高的大小(w, h)，且都是归一化后的值，图片左上角为坐标原点。

将原本数据集按照8：1：1的比例划分成训练集、验证集和测试集三类，划分代码如下。

# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os# 原始路径
image_original_path = "originaldata/images/"
label_original_path = "originaldata/labels/"cur_path = os.getcwd()
#cur_path = 'D:/image_denoising_test/denoise/'
# 训练集路径
train_image_path = os.path.join(cur_path, "data/images/train/")
train_label_path = os.path.join(cur_path, "data/labels/train/")# 验证集路径
val_image_path = os.path.join(cur_path, "data/images/val/")
val_label_path = os.path.join(cur_path, "data/labels/val/")# 测试集路径
test_image_path = os.path.join(cur_path, "data/images/test/")
test_label_path = os.path.join(cur_path, "data/labels/test/")# 训练集目录
list_train = os.path.join(cur_path, "data/train.txt")
list_val = os.path.join(cur_path, "data/val.txt")
list_test = os.path.join(cur_path, "data/test.txt")train_percent = 0.8
val_percent = 0.1
test_percent = 0.1def del_file(path):for i in os.listdir(path):file_data = path + "\\" + ios.remove(file_data)def mkdir():if not os.path.exists(train_image_path):os.makedirs(train_image_path)else:del_file(train_image_path)if not os.path.exists(train_label_path):os.makedirs(train_label_path)else:del_file(train_label_path)if not os.path.exists(val_image_path):os.makedirs(val_image_path)else:del_file(val_image_path)if not os.path.exists(val_label_path):os.makedirs(val_label_path)else:del_file(val_label_path)if not os.path.exists(test_image_path):os.makedirs(test_image_path)else:del_file(test_image_path)if not os.path.exists(test_label_path):os.makedirs(test_label_path)else:del_file(test_label_path)def clearfile():if os.path.exists(list_train):os.remove(list_train)if os.path.exists(list_val):os.remove(list_val)if os.path.exists(list_test):os.remove(list_test)def main():mkdir()clearfile()file_train = open(list_train, 'w')file_val = open(list_val, 'w')file_test = open(list_test, 'w')total_txt = os.listdir(label_original_path)num_txt = len(total_txt)list_all_txt = range(num_txt)num_train = int(num_txt * train_percent)num_val = int(num_txt * val_percent)num_test = num_txt - num_train - num_valtrain = random.sample(list_all_txt, num_train)# train从list_all_txt取出num_train个元素# 所以list_all_txt列表只剩下了这些元素val_test = [i for i in list_all_txt if not i in train]# 再从val_test取出num_val个元素，val_test剩下的元素就是testval = random.sample(val_test, num_val)print("训练集数目：{}, 验证集数目：{}, 测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))for i in list_all_txt:name = total_txt[i][:-4]srcImage = image_original_path + name + '.jpg'srcLabel = label_original_path + name + ".txt"if i in train:dst_train_Image = train_image_path + name + '.jpg'dst_train_Label = train_label_path + name + '.txt'shutil.copyfile(srcImage, dst_train_Image)shutil.copyfile(srcLabel, dst_train_Label)file_train.write(dst_train_Image + '\n')elif i in val:dst_val_Image = val_image_path + name + '.jpg'dst_val_Label = val_label_path + name + '.txt'shutil.copyfile(srcImage, dst_val_Image)shutil.copyfile(srcLabel, dst_val_Label)file_val.write(dst_val_Image + '\n')else:dst_test_Image = test_image_path + name + '.jpg'dst_test_Label = test_label_path + name + '.txt'shutil.copyfile(srcImage, dst_test_Image)shutil.copyfile(srcLabel, dst_test_Label)file_test.write(dst_test_Image + '\n')file_train.close()file_val.close()file_test.close()if __name__ == "__main__":main()

划分完成后将会在data文件夹下生成划分好的文件，其中images为划分后的图像文件，里面包含用于train、val、test的图像，已经划分完成；labels文件夹中包含划分后的标签文件，已经划分完成，里面包含用于train、val、test的标签；train.tet、val.txt、test.txt中记录了各自的图像路径。

在这里插入图片描述

在这里插入图片描述

在训练过程中，也是主要使用这三个txt文件进行数据的索引。

四、修改配置文件

①数据集文件配置

数据集划分完成后，在项目的data文件下，新建bubbleplume.yaml，替代coco.yaml。用于指明数据集路径和类别，我这边只有一个类别，nc中只留了一个，多类别的在names内加上类别名即可。bubbleplume.yaml中的内容为：

# Please insure that your custom_dataset are put in same parent dir with YOLOv6_DIR
train: ./data/images/train # train images
val: ./data/images/val # val images
test: ./data/images/test # test images (optional)# whether it is coco dataset, only coco dataset should be set to True.
is_coco: False
# Classes
nc: 1  # number of classes
names: ['plume']  # class names

在这里插入图片描述

②权重下载

在进行模型训练之前，需要到官网下载预训练权重，权重地址为：https://github.com/meituan/YOLOv6/releases

权重下载完成后，在项目根目录新建weights文件夹，将下载的权重放到里面，要用哪个版本的模型加载哪个权重即可

在这里插入图片描述

③模型文件配置

在模型配置中，YOLOv6只需要修改tools文件夹中的train.py,在24行处的def parse_opt()函数中，主要修改data-path、conf-file、img-size、batch-size、epochs、workers以及device。这些参数已足够顺利训练了，其他参数就是一些后续的调参工作了。

data-path是配置数据集文件的路径，将default中的内容修改成自己的数据集yaml文件路径。

parser.add_argument('--data-path', default='./data/bubbleplume.yaml', type=str, help='path of dataset')

conf-file指选用的模型文件，在configs文件夹下，里面包含模型结构和一些超参数。选用哪个模型，就在default中填上他的路径。yaml文件中带有finetune的表示使用预训练权重，即下载在weight文件夹下的权重，不是用带finetune的则表示不使用权重，直接训练。

parser.add_argument('--conf-file', default='./configs/yolov6m_finetune.py', type=str, help='experiments description file')

epochs指训练的轮次，这里我这边在default中定了一个300次，只要模型能收敛即可。

parser.add_argument('--epochs', default=400, type=int, help='number of total epochs to run')

batch-size是表示一次性将多少张图片放在一起训练，越大训练的越快，如果设置的太大会报OOM错误，我这边在default中设置16，表示一次训练16张图像。设置的大小为2的幂次，1为2的0次，16为2的4次。

parser.add_argument('--batch-size', default=16, type=int, help='total batch size for all GPUs')

img-size表示送入训练的图像大小，会统一进行缩放。要求是32的整数倍，尽量和图像本身大小一致。这边在default中设置为640。

parser.add_argument('--img-size', default=320, type=int, help='train, val image size (pixels)')

device指训练运行的设备。该参数指定了模型训练所使用的设备，例如使用 GPU 运行可以指定为 default=‘0’，或者使用多个 GPU 运行可以指定为 device=0,1,2,3，如果没有可用的 GPU，可以指定为device=‘cpu’使用 CPU 进行训练。

parser.add_argument('--device', default='0', type=str, help='cuda device, i.e. 0 or 0,1,2,3 or cpu')

workers是指数据装载时cpu所使用的线程数，默认为8，过高时会报错：[WinError 1455] 页面文件太小，无法完成操作，此时就只能将default调成0了。

parser.add_argument('--workers', default=10, type=int, help='number of data loading workers (default: 8)')

在这里插入图片描述

模型训练的相关基本参数就是这些啦，其余的参数可以等到后期训练完成进行调参时再详细了解。

五、模型训练和测试

模型训练

在将train.py文件配置完成后，即可运行此文件，便会开始训练啦

在这里插入图片描述
在这里插入图片描述

训练完成后，将会在runs/train/exp/weight文件夹下存放训练后的权重文件。

模型测试

使用tools/eval.py进行测试，需要修改def parse_opt()中的data、weights、batch-size、img-size、devicey以及task。

其中weights为训练出来的新模型权重，路径在runs/train文件夹下，

parser.add_argument('--weights', type=str, default='./runs/train/exp/weights/best_ckpt.pt', help='model.pt path(s)')

task，表示在验证时所使用的数据集，这里使用test

parser.add_argument('--task', default='test', help='val, test, or speed')

其余参数和训练时一致。

在这里插入图片描述

运行eval.py文件后便会得出训练精度等相关信息。

在这里插入图片描述

总结

以上就是YOLOv6训练自己数据集的全部过程啦，欢迎大家在评论区交流~

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/393141.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

opencascade TopoDS、TopoDS_Vertex、TopoDS_Edge、TopoDS_Wire、源码学习

opencascade TopoDS、TopoDS_Vertex、TopoDS_Edge、TopoDS_Wire、源码学习

前言 opencascade TopoDS转TopoDS_Vertex opencascade TopoDS转TopoDS_Edge opencascade TopoDS转TopoDS_Wire opencascade TopoDS转TopoDS_Face opencascade TopoDS转TopoDS_Shell opencascade TopoDS转TopoDS_Solid opencascade TopoDS转TopoDS_Compound 提供方法将 TopoDS_…
阅读更多...
Spring快速学习

Spring快速学习

目录 IOC控制反转 引言 IOC案例 Bean的作用范围 Bean的实例化 bean生命周期 DI 依赖注入 setter注入 构造器注入 自动装配 自动装配的方式 注意事项; 集合注入 核心容器 容器的创建方式 Bean的三种获取方式 Bean和依赖注入相关总结 IOC/DI注解开发 注解开发…
阅读更多...
抽象代数精解【8】

抽象代数精解【8】

文章目录 希尔密码矩阵矩阵基本概念行列式基本概念特殊矩阵关于乘法运算构成群 加解密原理密钥加密函数解密函数 Z 26 上的运算（ Z 256 与此类似） Z_{26}上的运算（Z_{256}与此类似） Z26​上的运算（Z256​与此类似&…
阅读更多...
sql注入知识整理

sql注入知识整理

sql注入知识整理 一、SQL注入概念 SQL注入就是用户输入的一些语句没有被过滤，输入后诸如这得到了数据库的信息SQL 注入是一种攻击方式，在这种攻击方式中，在字符串中插入恶意代码，然后将该字符串传递到 SQL Server 数据库引擎的实…
阅读更多...
递归.python

递归.python

目录 一、认识递归 二、阶乘问题 三、经典例题：汉诺塔问题 一、认识递归 递归：即方法（函数）自己调用自己的一种特殊编程写法。 函数调用自己，即称之为递归调用。 def func(): If ....: func() return ..... 递归…
阅读更多...
ESP8266使用舵机以及16路PWM舵机PCA 9685的使用方式

ESP8266使用舵机以及16路PWM舵机PCA 9685的使用方式

PWM全称 50Hz也就是一秒内变换50次 根据上面的公式 一个高电平一个低电平叫一个脉冲。 例如每个脉冲占20毫秒，那么他的频率是多少？ 就是用1去除以他的周期，也就是我们上面说的20，那么就是除0.02,1秒等于1000毫秒，20…
阅读更多...
PostgreSQL11 | 触发器

PostgreSQL11 | 触发器

本文章代码已在pgsql11.22版本上运行且通过，展示页由pgAdmin8.4版本提供 上一篇总结了原著的第十章有关pgsql的视图的用法，本篇将总结pgsql的触发器的用法。 触发器 使用触发器可以自动化完成一些在插入数据或修改数据时，某些需要同期同步的…
阅读更多...
bat批处理文件 —— 用于自动化环境配置和项目执行

bat批处理文件 —— 用于自动化环境配置和项目执行

文章目录 一、什么是 bat ？1.1、支持 bat 的编辑软件1.2、常用命令 三、项目实战3.1、入门案例3.2、（自动化）环境配置与python库安装3.3、将 bat 当成一个简易的 .exe 可执行文件 四、标识符详解4.1、rem：添加注释4.2、echo off&a…
阅读更多...
8.15 C++作业

8.15 C++作业

输入一组字符&#xff0c;实现各字符的归类统计 #include <iostream> #include <string.h>using namespace std;namespace xiaoli {string str;int len; } using namespace xiaoli;int main() {getline(cin,str);//识别空格len str.size();int a0,b0,c0,d0,e0;fo…
阅读更多...
【多线程-从零开始-肆】线程安全、加锁和死锁

【多线程-从零开始-肆】线程安全、加锁和死锁

进程状态 进程状态&#xff1a; 就绪&#xff1a;正在 CPU 上执行&#xff0c;或者随时可以去 CPU 上执行阻塞&#xff1a;暂时不能参与 CPU 的执行 Java 的线程&#xff0c;对应状态做了更详细的区分&#xff0c;不仅仅是就绪和阻塞了 六种状态&#xff1a; NEW 当前 Thread…
阅读更多...
【PXE+kickstart】linux网络服务之自动装机

【PXE+kickstart】linux网络服务之自动装机

PXE&#xff1a; 简介&#xff1a;PXE(Preboot execute environment 是一种能够让计算机通过网络启动的引导方式&#xff0c;只要网卡支持PXE协议即可使用Kickstart 是一种无人值守的安装方式&#xff0c;工作原理就是预先把原本需要运维人员手工填写的参数保存成一个 ks.cfg 文…
阅读更多...
基于强化学习算法玩CartPole游戏

基于强化学习算法玩CartPole游戏

什么事CartPole游戏 CartPole&#xff08;也称为倒立摆问题&#xff09;是一个经典的控制理论和强化学习的基础问题&#xff0c;通常用于测试和验证控制算法的性能。具体来说&#xff0c;它是一个简单的物理模拟问题&#xff0c;其目标是通过在一个平衡杆&#xff08;倒立摆&a…
阅读更多...
PCIe学习笔记（15）

PCIe学习笔记（15）

设备就绪状态 (Device Readiness Status&#xff0c;DRS)消息 &#xff08;Device Readiness Status (DRS) 是PCIe规范中引入的一种机制&#xff0c;旨在改进设备初始化和就绪状态的检测与报告。 在以往的PCIe版本中&#xff0c;系统通常依赖于固定的超时机制来判断设备是否已…
阅读更多...
【ML】transform 之 encode 及其实现细节

【ML】transform 之 encode 及其实现细节

transform 之 encode 及其实现细节 1. transform (seq2seq) 是什么2. transform (seq2seq) 具体如何实现3. transform (seq2seq) 可以解决哪些类型的问题4. 补充问题4.1 残差连接&#xff08;Residual Connection&#xff09;是什么如何实现4.1.2 残差连接的具体实现&#xff1…
阅读更多...
2024年武汉东湖高新区职称第二批次开始了

2024年武汉东湖高新区职称第二批次开始了

众所周知&#xff0c;武汉市东湖高新区职称一年两批次&#xff0c;今年下半年第二批水平能力测试报名也已经开始了&#xff0c;请注意报名时间&#xff0c;别错过&#xff01;&#xff01; 2024年武汉东湖高新区第二批次水测报名时间&#xff1a;&#xff08;一&#xff09;网上…
阅读更多...
第十一章 数据仓库和商务智能 10分

第十一章 数据仓库和商务智能 10分

11.1.0语境关系图 11.1 Q 建立数据仓库&#xff0c;有哪些步骤&#xff1f;如何建设&#xff1f;【6 个步骤非常重要&#xff01;必须知道】 1. 理解需求&#xff08;P&#xff09;&#xff08;目的明确&#xff0c;ETL&#xff09; (1) 考虑业务目标和业务战略。 (2) 确定业…
阅读更多...
FFMPEG 序列帧图片合成视频

FFMPEG 序列帧图片合成视频

需求&#xff1a; 将多张.png图片合成为视频 注意: 1需要Windows电脑 2将图片重命名 下载EXE 官网 https://ffmpeg.org/download.html#build-windows 解压后长这样 将图片和exe放在同一目录下 文件中找个空白地&#xff0c;Shift右键 进入PowerShell 输入命令: ./ffm…
阅读更多...
Python 画 等高线图

Python 画 等高线图

Python 画 等高线图 flyfish 通过三维图形与投影等高线相结合的方式&#xff0c;能够直观地看到三维函数的形状以及在平面上等值线的分布。 等高线是一种用来表示三维表面在二维平面上的方法。它们是通过在固定高度&#xff08;或深度&#xff09;处切割三维表面来创建的平面…
阅读更多...
Java零基础之多线程篇：不得不学的并发工具类！

Java零基础之多线程篇：不得不学的并发工具类！

哈喽&#xff0c;各位小伙伴们&#xff0c;你们好呀&#xff0c;我是喵手。运营社区&#xff1a;C站/掘金/腾讯云&#xff1b;欢迎大家常来逛逛 今天我要给大家分享一些自己日常学习到的一些知识点&#xff0c;并以文字的形式跟大家一起交流&#xff0c;互相学习&#xff0c;一…
阅读更多...
数学建模--智能算法之鱼群算法

数学建模--智能算法之鱼群算法

目录 核心原理 应用与实现 实现步骤 性能分析与改进 鱼群算法在解决哪些具体优化问题方面表现最佳&#xff1f; 如何根据不同的应用场景调整鱼群算法的参数设置以提高其性能&#xff1f; 鱼群算法与其他群体智能优化算法&#xff08;如遗传算法、粒子群优化&#xff09;…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023