yolo系列详解_yolo系列算法比较?

1、使用labelme进行图像标注，标注后生成json文件，json文件中存放的内容如下：

2、将json文件转换为yolo格式
labelme标注后的json文件中存放的为目标的实际位置坐标（x1,y1,x2,y2），但是yolov3中使用的是目标的相对位置（x,y,w,h），其中x,y为目标框的中心坐标点，w和h为目标框的宽和高。使用json2yolo.py文件实现转换。

# json2yolo.py
import json
import os

def convert(img_size, box):
    dw = 1. / (img_size[0]) #将w和h压缩到0-1之间
    dh = 1. / (img_size[1])
    # (x,y)为标注框的中心坐标，w和h为宽和高
    x = (box[0] + box[2]) / 2.0 - 1   
    y = (box[1] + box[3]) / 2.0 - 1
    w = box[2] - box[0]
    h = box[3] - box[1]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    # x1 = box[0]
    # y1 = box[1]
    # x2 = box[2]
    # y2 = box[3]
    return (x, y, w, h)


def decode_json(json_floder_path, json_name):
    # 修改转换后存放txt文件的路径
    txt_name = 'data\custom\labels\' + json_name[0:-5] + '.txt'

    txt_file = open(txt_name, 'w')

    json_path = os.path.join(json_floder_path, json_name)
    data = json.load(open(json_path, 'r', encoding='utf-8'))   # 加载json文件 gb2312

    img_w = data['imageWidth']
    img_h = data['imageHeight']

    for i in data['shapes']:
        label_name = i['label']
        if (i['shape_type'] == 'rectangle'):
            x1 = int(i['points'][0][0])
            y1 = int(i['points'][0][1])
            x2 = int(i['points'][1][0])
            y2 = int(i['points'][1][1])

            bb = (x1, y1, x2, y2)
            bbox = convert((img_w, img_h), bb)   # 将(x1,y1,x2,y2)转换为yolo的格式(x,y,w,h)
            txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + 'n')


if __name__ == "__main__":
    name2id = {'person':0,'airplane':1}   # 自己数据集中全部的类别名
    # json文件夹的路径
    json_floder_path = 'data\Annotations'
    json_names = os.listdir(json_floder_path)
    for json_name in json_names:
        decode_json(json_floder_path, json_name)

执行结束后存放txt文件的路径中的内容如下：

3、训练集和验证集数据的划分
将训练集图像和验证集图像的路径写入到train.txt和val.txt文件中，如下：

4、修改配置文件
（1）将classes.names文件中的类别修改为自己的类别
（2）修改config/custom.data文件中与自己任务相关的配置

5、准备模型
打开git bash，执行configcreate_custom_model.sh文件
执行语句

sh create_custom_model.sh 2  # 2为类别数，执行时换成自己的类别数

执行完成后会生成cfg文件

create_custom_model.sh文件不能重复执行，要先将生成的cfg文件删除再执行

6、模型训练
修改train.py文件中的这些参数，然后进行训练，训练结束会生成多个.pth文件