mirror of
https://github.com/luzhisheng/js_reverse.git
synced 2025-04-22 08:11:29 +08:00
218 lines
6.3 KiB
Markdown
218 lines
6.3 KiB
Markdown
# 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
|
||
|
||
 |