YOLO目标检测算法训练过程学习记录

先前已经完成过YOLO系列目标检测算法的调试过程，今天主要是将所有的调试加以总结
这里的conda环境就不再赘述了，直接使用requirement.txt文件的即可，也可以参考YOLOX的配置过程5

数据集处理

YOLOv5有自己的数据集格式，博主的数据集为COCO格式，需要自己转换为YOLO格式。
下面代码需要修改的地方：
COCO标注文件：JSON文件地址

parser.add_argument('--json_path',default='/data/datasets/coco/annotations/instances_train2017.json', type=str,help="input: coco format(json)")

生成的YOLO格式标注文件地址：TXT文件地址

parser.add_argument('--save_path', default='/home/ubuntu/outputs/yolov5/yolov5/train', type=str,help="specify where to save the output dir of labels")

保存的数据集对应地址：train2017.txt

list_file = open(os.path.join(ana_txt_save_path, 'train2017.txt'), 'w')

写入数据集图片地址：

list_file.write('/data/datasets/coco/images/train2017/%s.jpg\n' % (head))

完整代码如下：

import os
import json
from tqdm import tqdm
import argparseparser = argparse.ArgumentParser()
# 这里根据自己的json文件位置，换成自己的就行
parser.add_argument('--json_path',default='/data/datasets/coco/annotations/instances_train2017.json', type=str,help="input: coco format(json)")
# 这里设置.txt文件保存位置
parser.add_argument('--save_path', default='/home/ubuntu/outputs/yolov5/yolov5/train', type=str,help="specify where to save the output dir of labels")
arg = parser.parse_args()def convert(size, box):dw = 1. / (size[0])dh = 1. / (size[1])x = box[0] + box[2] / 2.0y = box[1] + box[3] / 2.0w = box[2]h = box[3]# round函数确定(xmin, ymin, xmax, ymax)的小数位数x = round(x * dw, 6)w = round(w * dw, 6)y = round(y * dh, 6)h = round(h * dh, 6)return (x, y, w, h)if __name__ == '__main__':json_file = arg.json_path  # COCO Object Instance 类型的标注ana_txt_save_path = arg.save_path  # 保存的路径data = json.load(open(json_file, 'r'))if not os.path.exists(ana_txt_save_path):os.makedirs(ana_txt_save_path)id_map = {}  # coco数据集的id不连续！重新映射一下再输出！with open(os.path.join(ana_txt_save_path, 'classes.txt'), 'w') as f:# 写入classes.txtfor i, category in enumerate(data['categories']):f.write(f"{category['name']}\n")id_map[category['id']] = i# print(id_map)# 这里需要根据自己的需要，更改写入图像相对路径的文件位置。list_file = open(os.path.join(ana_txt_save_path, 'train2017.txt'), 'w')for img in tqdm(data['images']):filename = img["file_name"]img_width = img["width"]img_height = img["height"]img_id = img["id"]head, tail = os.path.splitext(filename)ana_txt_name = head + ".txt"  # 对应的txt名字，与jpg一致f_txt = open(os.path.join(ana_txt_save_path, ana_txt_name), 'w')for ann in data['annotations']:if ann['image_id'] == img_id:box = convert((img_width, img_height), ann["bbox"])f_txt.write("%s %s %s %s %s\n" % (id_map[ann["category_id"]], box[0], box[1], box[2], box[3]))f_txt.close()# 将图片的相对路径写入train2017或val2017的路径list_file.write('/data/datasets/coco/images/train2017/%s.jpg\n' % (head))list_file.close()

生产的数据集标注文件格式如下：
在这里插入图片描述
在该文件夹下还有数据对应文件val2017.txt,内容如下：

即数据集结构如下：

imagestrain2017XXX.jpgval2017XXX.jpg 
labelstrain2017XXX.txttrain2017.txtval2017XXX.txtval2017.txt

至此，数据集处理完成

YOLOv5调试

数据集处理完成后，训练过程只需要修改对应的参数与文件配置即可。
首先修改coco128.yaml文件，改为下面的样子：

在这里插入图片描述
随后设置我们要用的模型，YOLOv5分为YOLOv5s，YOLOv5m，YOLOv5l，YOLOvx四个版本，性能依次升高，博主选择的是YOLOv5l版本，同时下载YOLOv5l的权重文件。

parser = argparse.ArgumentParser()
parser.add_argument('--weights', type=str, default='/data/programs/yolov5/yolov5l.pt', help='initial weights path')
parser.add_argument('--cfg', type=str, default='/home/ubuntu/outputs/yolov5/yolov5/models/yolov5l.yaml', help='model.yaml path')
parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')

随后修改yolov5l.yaml文件中的类别数：

在这里插入图片描述
随后便可以运行了，这里设置epoch=100，batch-size=16，这里再次吐槽，YOLOX真的耗显存，完事便可以运行了。

在这里插入图片描述

YOLOv7调试

由于先前的数据集配置已经完成，有了yolov5的基础，YOLOv7的调试便顺利许多，首先是修改配置文件，找到train.py，看看其需要哪些文件，修改一下即可：
这里可以选择是否使用权重文件，即weights，如果使用的话训练会明显加快，起始值较高，可能最后也不会有太大变化，若是不使用的话代表从头开始训练，训练可能会慢些，训练时间较长，，此外，YOLOv7还给提供了迁移学习版本，我们使用这个较好。即使用权重yolov7_training.pt

    parser.add_argument('--weights', type=str, default='', help='initial weights path')parser.add_argument('--cfg', type=str, default='/home/ubuntu/outputs/yolov5/yolov7/yolov7/cfg/training/yolov7.yaml', help='model.yaml path')parser.add_argument('--data', type=str, default='data/coco.yaml', help='data.yaml path')parser.add_argument('--hyp', type=str, default='data/hyp.scratch.p5.yaml', help='hyperparameters path')parser.add_argument('--epochs', type=int, default=100)

随后修改yolov7.yaml文件，修改num_class=3即可

修改coco.yaml文件

train: /data/datasets/coco/labels/train2017/train2017.txt  # 118287 images
val: /data/datasets/coco/labels/val2017/val2017.txt  # 5000 images
# number of classes
nc: 3
# class names
names: [ 'car',  'bus', 'truck' ]