js_reverse/机器学习/08数据标注-VOC数据集-目标检测框架

知识点：数据标注，yolov5目标检测框架

voc数据集

 VOC2012
     ├── Annotations               所有的图像标注信息(XML文件)
     ├── ImageSets    
     │   ├── Action                人的行为动作图像信息
     │   ├── Layout                人的各个部位图像信息
     │   │
     │   ├── Main                  目标检测分类图像信息
     │   │     ├── train.txt       训练集(5717)
     │   │     ├── val.txt         验证集(5823)
     │   │     └── trainval.txt    训练集+验证集(11540)
     │   │
     │   └── Segmentation          目标分割图像信息
     │         ├── train.txt       训练集(1464)
     │         ├── val.txt         验证集(1449)
     │         └── trainval.txt    训练集+验证集(2913)
     │ 
     ├── JPEGImages                所有图像文件
     ├── SegmentationClass         语义分割png图（基于类别）
     └── SegmentationObject        实例分割png图（基于目标）

如何数据标注

精灵标注助手

http://www.jinglingbiaozhu.com/

创建标注项目

手动标注

导出voc数据，导出数据到Annotations文件夹

查看导出的xml数据信息

<?xml version="1.0" ?>
<annotation>
<folder>JPEGImages</folder>
<filename>16329967796329784.jpg</filename>
<path>E:\code\js_reverse\ayf_ocr\yolo_databases\VOC2012\JPEGImages\16329967796329784.jpg</path>
<source>
    <database>Unknown</database>
</source>
<size>
    <width>150</width>
    <height>150</height>
    <depth>3</depth>
</size>

<segmented>0</segmented>
    <object>
    <name>缺口</name>
    <pose>Unspecified</pose>
    <truncated>0</truncated>
    <difficult>0</difficult>
    <bndbox>
        <xmin>56</xmin>
        <ymin>86</ymin>
        <xmax>100</xmax>
        <ymax>135</ymax>
    </bndbox>
</object>
</annotation>

目标检测框架 yolov5

github下载

https://github.com/ultralytics/yolov5

Python>=3.7.0和PyTorch>=1.7

git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
pip install -r requirements.txt  # install

这里的 yolov5 数据集不支持中文路径

创建数据集目录VOC2012/1_makedir.py

import os

# 第一步。对目录环境进行检查，是否满足处理要求
def file_exists(filename, message):
    if not os.path.exists(filename):
        raise FileExistsError(message)
def make_dirs(dirs):
    try:
        os.makedirs(dirs)
    except FileExistsError:
        print(dirs + ' 目录存在，自动跳过')

# 第二步。创建关键目录
file_exists('Annotations', 'VOC标注，Annotations目录不存在')
file_exists('JPEGImages', 'VOC标注，JPEGImages 图片目录不存在')
make_dirs('images/train')
make_dirs('images/val')
make_dirs('labels/train')
make_dirs('labels/val')

生成需要训练的数据VOC2012/2_movefiles.py，执行时修改类别

# ------------------------------------------------------------
# ↓↓标注的类别，很重要很重要，这里必须要改，按照自己的类别去改|

classes = ['缺口']

# ↑↑标注的类别，很重要很重要，这里必须要改，按照自己的类别去改|
# ------------------------------------------------------------

训练集/验证集图片数据

训练集/验证集标签数据（坐标数据归一化）

生成yolov5所需要的训练数据

为了快速上手yolov5，直接生成数据进行测试，这里直接生成500张数据，运行yolov5需要数据集，

运行\slide\pic_product.py,两种模式train/val

number = input('输入要生成的数量')
style = input('输入模式：train/val')
for i in range(int(number)):
    print('正在生成{}，第{}/{}张'.format(style, i + 1, number))
    img = Image.open("drag/{}".format(random.choice(os.listdir('drag'))))
    path = addText(img,
                   path='./Annotations/images/{}/{}.jpg'.format(style, str(time.time()).replace('.', '')),
                   pic_size=(img.size[0], img.size[1]),
                   size=24,
                   style=style
                   )

生成的数据如下

开始训练yolov5

一、设置训练参数 yolov5\train.py

1.训练模型yolov5s.pt

parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')

github可以下载weights

2.训练数据data

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

my.yaml文件

train: E:\code\js_reverse\ayf_ocr\yolo_databases\slide\Annotations\train.txt
val: E:\code\js_reverse\ayf_ocr\yolo_databases\slide\Annotations\val.txt


# Classes
names:
  0: 0

3.训练数据迭代次数epochs

parser.add_argument('--epochs', type=int, default=30, help='total training epochs')

4.训练图片大小imgsz

parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=150, help='train, val image size (pixels)')

二、将训练的分类修改成1 yolov5\models\yolov5s.yaml

nc: 1  # number of classes

三、启动训练 yolov5\train.py

会生成一个run文件

四、启动推理 yolov5\detect.py

1.训练模型best.pt

parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs/train/exp/weights/best.pt', help='model path or triton URL')

2.资源内容source

parser.add_argument('--source', type=str, default=ROOT / '../slide/Annotations/images/val', help='file/dir/URL/glob/screen/0(webcam)')

3.图片大小imgsz

parser.add_argument('--imgsz', '--img', '--img-size', nargs='+', type=int, default=[150], help='inference size h,w')

生成的文件夹

推理效果