本篇博客将记录本人从下载下Yolov5官方代码，到数据集制作、模型训练、测试整个过程，轻重的项目代码本人的环境将一起奉上，如有错误，欢迎在评论区指正。同为程序员，一起进步！
先放上几张训练过程中，不同模型检测的结果，该图像是电子版导电粒子的识别：
一、下载源代码，配置环境
1.代码连接：
onNX > CoreML > TFLite">GitHub - ultralytics/yolov5: YOLOv5 in PyTorch > onNX > CoreML > TFLite
当然我的工程代码在此处，也可以不用我的代码。
https://download.csdn.net/download/m0_37407756/34678903
如果你用anaconda重建虚拟环境的话需要PyTorch>=1.7，python大于等于3.6
具体操作命令：
$ git clone https://github.com/ultralytics/yolov5 $ cd yolov5 $ pip install -r requirements.txt
2.python detect.py脚本进行测试。输出结果保存在runs文件夹下。
我在运行期间需要下载东西：第一个是Arial.ttf的文件，这是一个字体。第二个是yolov5.pt文件，也就是模型，直接放在yolov5-master文件夹下就行。
会出来这个结果，则说明你的环境是没问题的：
二、准备自己的数据集 1.下载标注工具YOLOv5模型必须对已标记的数据进行训练，以便学习该数据中的对象类别。在开始训练之前，有两种方式创建数据集：
（1）使用Roboflow以YOLO格式自动标记、准备和托管自定义数据.
Roboflow: Give your software the power to see objects in images and video
这是官网推荐的得需要注册账号等，试了半天也不行。
（2）我用的LabelImg，安装安装过程：1. lableImg下载
git clone https://github.com/tzutalin/labelImg.git
2. 制作lableImg所需的"conda+python"环境(conda需要先安装,最好再设置下下载源)
# 创建环境 conda create -n labelimg python=3 # 激活环境 conda activate labelimg # 此时如果命令前显示 (labelimg) 则说明已经成功激活conda环境, 否则没有 # 进入labelImg目录 cd [labelImg路径] # 安装依赖并启动 conda install pyqt=5 conda install -c anaconda lxml pyrcc5 -o libs/resources.py resources.qrc python labelImg.py python labelImg.py [IMAGE_PATH] [PRE-DEFINED CLASS FILE]
标注就不用说了吧，费时费力的，我的数据集也不是很大，标注了一部分想练手的可以下载一下。
https://download.csdn.net/download/m0_37407756/34681137
标注完了就生成和图像相应的Annotations（.xml），把xml放入Annotations文件夹，把对应的原始图片放入JPEGImages文件夹。每个图像一个*.txt文件(如果图像中没有对象，不需要*.txt文件)。*.txt文件规格如下
每个对象一行 每一行都是class，x_center，y_center，width，height形式 框坐标必须是标准化的xywh格式(从0到1)。如果框的单位是像素，x_center和width除以图像宽度，y_center和height除以图像高度。 类号是零索引的(从0开始)。
3.需要注意的是，我标注出来的标签数据是xml格式的需要转换为txt格式的。
这里给予两个转换脚本文件，复制执行就好，记得把路径配置好：
先执行pascal_split.py文件：
#!/usr/bin/env python
from __future__ import print_function
import os
import os.path as osp
import random
import argparse
import sys
import fnmatch
def dataset_split(input_dir, trainval_percent=.8, train_percent=.7):
if not osp.exists(input_dir):
print('Pacsal data directory is not exists:', input_dir)
sys.exit(1)
xmlfilepath=osp.join(input_dir,'Annotations')
total_xmls = os.listdir(xmlfilepath)
total_num=len(total_xmls)
total_list=range(total_num)
tv=int(total_num*trainval_percent)
tr=int(tv*train_percent)
trainval= random.sample(total_list,tv)
train=random.sample(trainval,tr)
print("total size",total_num)
print("train and val size",tv)
print("train size",tr)
if not osp.exists(osp.join(input_dir,'ImageSets')):
os.makedirs(osp.join(input_dir,'ImageSets'))
if not osp.exists(osp.join(input_dir,'ImageSets','Main')):
os.makedirs(osp.join(input_dir,'ImageSets','Main'))
ftrainval = open(osp.join(input_dir,'ImageSets/Main/trainval.txt'), 'w')
ftest = open(osp.join(input_dir,'ImageSets/Main/test.txt'), 'w')
ftrain = open(osp.join(input_dir,'ImageSets/Main/train.txt'), 'w')
fval = open(osp.join(input_dir,'ImageSets/Main/val.txt'), 'w')
for i in total_list:
name=total_xmls[i][:-4]+'n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest .close()
def main():
parser = argparse.ArgumentParser(
formatter_class=argparse.ArgumentDefaultsHelpFormatter
)
parser.add_argument('input_dir', help='input annotated directory')
parser.add_argument('-tv','--trainval_percent', type=float, help='train and validation percent', default=.8)
parser.add_argument('-tr','--train_percent', type=float, help='train percent', default=.7)
args = parser.parse_args()
dataset_split(args.input_dir, args.trainval_percent, args.train_percent)
if __name__ == '__main__':
main()
执行时：python pascal_split.py /home/sym/test/（annotation的路径） -tv 0.95 -tr 0.7
意为：把所有的数据集的95%作为训练，5%作为测试。95%中再有70%作为训练的，30%作为训练的测试。会生成一个文件夹，××/Main/test.txt,train.txt,trainval.txt,val.txt.。
然后再执行voc_labels.py程序。需要创建一个文件夹labels，存放转换为txt的标签。创建一个文件夹train，存放生成train和test的两个txt，内容为该图片相应的路径。
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test']
classes = ['particle',] #自己训练的类别
def convert(size, box):
dw = 1. / size[0]
dh = 1. / size[1]
x = (box[0] + box[1]) / 2.0
y = (box[2] + box[3]) / 2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return (x, y, w, h)
def convert_annotation(image_id):
in_file = open('/home/sym/test/Annotations/%s.xml' % (image_id))
out_file = open('/home/sym/test/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + 'n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('/home/sym/test/labels/'):
os.makedirs('/home/sym/test/labels/')
image_ids = open('/home/sym/test/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
list_file = open('/home/sym/test/train/%s.txt' % (image_set), 'w')#生成train和test的两个txt，内容为该图片相应的路径
for image_id in image_ids:
list_file.write('/home/sym/test/Images/%s.jpgn' % (image_id))
convert_annotation(image_id)
这个注意下我的汉字备注，改一下类别啊，路径什么的哈。然后吧生成的txt（应该在labels文件夹中下）复制到图像文件中。我是都放在了一个文件夹下了，你们也可以放在不同的文件夹下，记得路径配置好就可以了就像下面的格式：
yolov5----
-----data------
------train-----
--------jpg和txt
在这个文件下要配置一下路径：
然后就可以开始训练了，训练的日志还是在那个run文件夹下。
到目前为止，还没有涉及到代码内部的问题，接下来继续共享，将yolov5在nvidia tx2或nx上运行，博主也是新手，有资源也可在评论区分享~
