贵州省住房与城乡建设厅网站,网页制作设计培训,开发公司质量管理制度模板,大庆做网站比较好的公司基于Yolov5与LabelMe训练自己数据的实例分割完整流程 1. Yolov5配置2. 创建labelme虚拟环境4. 接下来开始使用labelme绘制分割数据集4.1 json to txt4.2 划分数据集(可分可不分) 5. 训练 1. Yolov5配置
参照这边文章#xff1a; https://blog.csdn.net/ruotianxia/article/de… 基于Yolov5与LabelMe训练自己数据的实例分割完整流程 1. Yolov5配置2. 创建labelme虚拟环境4. 接下来开始使用labelme绘制分割数据集4.1 json to txt4.2 划分数据集(可分可不分) 5. 训练 1. Yolov5配置
参照这边文章 https://blog.csdn.net/ruotianxia/article/details/132262747?spm1001.2014.3001.5502 yolov5 各模型的百度网盘链接 链接https://pan.baidu.com/s/1ryXteXqMXCDy4V9dWqCmzw 提取码ca3x 2. 创建labelme虚拟环境
conda create -n labelme python3.9
# 激活labelme 环境后续的安装都在里面进行
conda activate labelme
# 下载label代码
git clone https://github.com/wkentaro/labelme.git
cd labelme
conda install -c conda-forge pyside2 # 这条一定要安装
pip install .
pip install pyinstaller
pyinstaller labelme.spec
# 编译完成后再cmd中输入
labelme
即可打卡# 不从源码安装的话直接按照官网上给的提示安装就行不用这么麻烦
# 安装完成如果有些因为网络差下不下来可以一个一个的安装
# 网络不好的情况下安装会出现中断将中断处的依赖库单独使用清华镜像下载然后再继续执行上一句
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple PyQt5-Qt5
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple networkx
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple PyWavelets
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple onnxruntime
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scikit_image4. 接下来开始使用labelme绘制分割数据集
操作比较简单这里就不多说了其保存的是json格式需要转换成yolo需要的txt.
4.1 json to txt https://blog.csdn.net/m0_51530640/article/details/129975257 参考文章 # -*- coding: utf-8 -*-
import json
import os
import argparse
from tqdm import tqdmdef convert_label_json(json_dir, save_dir, classes):json_paths os.listdir(json_dir)classes classes.split(,)for json_path in tqdm(json_paths):# for json_path in json_paths:path os.path.join(json_dir, json_path)with open(path, r) as load_f:json_dict json.load(load_f)h, w json_dict[imageHeight], json_dict[imageWidth]# save txt pathtxt_path os.path.join(save_dir, json_path.replace(json, txt))txt_file open(txt_path, w)for shape_dict in json_dict[shapes]:label shape_dict[label]label_index classes.index(label)points shape_dict[points]points_nor_list []for point in points:points_nor_list.append(point[0] / w)points_nor_list.append(point[1] / h)points_nor_list list(map(lambda x: str(x), points_nor_list))points_nor_str .join(points_nor_list)label_str str(label_index) points_nor_str \ntxt_file.writelines(label_str)if __name__ __main__:python json2txt_nomalize.py --json-dir my_datasets/color_rings/jsons --save-dir my_datasets/color_rings/txts --classes cat,dogsclasses_name scratch,dirty # 中间不能带空格parser argparse.ArgumentParser(descriptionjson convert to txt params)parser.add_argument(--json-dir, typestr, defaultvoc_dataset/seg_labels_json, helpjson path dir)parser.add_argument(--save-dir, typestr, defaultvoc_dataset/seg_labels_txt, helptxt save dir)parser.add_argument(--classes, typestr, defaultclasses_name, helpclasses)args parser.parse_args()json_dir args.json_dirsave_dir args.save_dirclasses args.classesconvert_label_json(json_dir, save_dir, classes)4.2 划分数据集(可分可不分) https://blog.csdn.net/m0_51530640/article/details/129975257 参考文章 # 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
import argparse# 检查文件夹是否存在
def mkdir(path):if not os.path.exists(path):os.makedirs(path)def main(image_dir, txt_dir, save_dir):# 创建文件夹mkdir(save_dir)images_dir os.path.join(save_dir, images)labels_dir os.path.join(save_dir, labels)img_train_path os.path.join(images_dir, train)img_test_path os.path.join(images_dir, test)img_val_path os.path.join(images_dir, val)label_train_path os.path.join(labels_dir, train)label_test_path os.path.join(labels_dir, test)label_val_path os.path.join(labels_dir, val)mkdir(images_dir);mkdir(labels_dir);mkdir(img_train_path);mkdir(img_test_path);mkdir(img_val_path);mkdir(label_train_path);mkdir(label_test_path);mkdir(label_val_path);# 数据集划分比例训练集75%验证集15%测试集15%按需修改train_percent 0.8val_percent 0.1test_percent 0.1total_txt os.listdir(txt_dir)num_txt len(total_txt)list_all_txt range(num_txt) # 范围 range(0, num)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)# 在全部数据集中取出trainval_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 os.path.join(image_dir, name .bmp)srcLabel os.path.join(txt_dir, name .txt)if i in train:dst_train_Image os.path.join(img_train_path, name .bmp)dst_train_Label os.path.join(label_train_path, name .txt)shutil.copyfile(srcImage, dst_train_Image)shutil.copyfile(srcLabel, dst_train_Label)elif i in val:dst_val_Image os.path.join(img_val_path, name .bmp)dst_val_Label os.path.join(label_val_path, name .txt)shutil.copyfile(srcImage, dst_val_Image)shutil.copyfile(srcLabel, dst_val_Label)else:dst_test_Image os.path.join(img_test_path, name .bmp)dst_test_Label os.path.join(label_test_path, name .txt)shutil.copyfile(srcImage, dst_test_Image)shutil.copyfile(srcLabel, dst_test_Label)if __name__ __main__:python split_datasets.py --image-dir my_datasets/color_rings/imgs --txt-dir my_datasets/color_rings/txts --save-dir my_datasets/color_rings/train_dataparser argparse.ArgumentParser(descriptionsplit datasets to train,val,test params)parser.add_argument(--image-dir, typestr, defaultvoc_dataset/seg_images, helpimage path dir)parser.add_argument(--txt-dir, typestr, defaultvoc_dataset/seg_labels_txt, helptxt path dir)parser.add_argument(--save-dir, defaultvoc_dataset/split, typestr, helpsave dir)args parser.parse_args()image_dir args.image_dirtxt_dir args.txt_dirsave_dir args.save_dirmain(image_dir, txt_dir, save_dir) 5. 训练
训练可以直接运行segment中的train,需要修改下文件的路径根据自己的需要进行修改。 注意需要再train.py的目录下放置一个detection 训练模型。 如果没有分割好的数据集代码会自动下载coco128-seg。可以先熟悉下各文件的分布和训练流程。
my-yolov5x-seg.yaml 修改类别数量
my-coco128-seg.yaml 修改数据路径类别名称
hyp.scratch-low.yaml 修改训练参数parser.add_argument(--weights, typestr, defaultROOT / weights/best.pt, helpinitial weights path)parser.add_argument(--cfg, typestr, defaultROOT / models/segment/my-yolov5x-seg.yaml, helpmodel.yaml path)parser.add_argument(--data, typestr, defaultROOT / data/my-coco128-seg.yaml, helpdataset.yaml path)parser.add_argument(--hyp, typestr, defaultROOT / data/hyps/hyp.scratch-low.yaml, helphyperparameters path)配置好后直接运行trainpy就可以了。预测的话在predict中同样修改下文件路径就可以预测图片的结果。 predict.py 需要修改的内容如下 预测时可以修改以下两个参数一个是置信度阈值一个是iou阈值
parser.add_argument(--conf-thres, typefloat, default0.006, helpconfidence threshold)
parser.add_argument(--iou-thres, typefloat, default0.1, helpNMS IoU threshold)下面的是coco128训练出的结果
