使用YOLOv5训练自己的数据集 --- 老鼠识别

方式一：YOLOv5开源地址：https://github.com/ultralytics/yolov5/blob/master/README.zh-CN.md

方式二：YOLOv5源码：https://pan.baidu.com/s/12khk-Wkc5_J5ho4oZ7_FhA?pwd=xtru?

安装环境依赖包：

项目目录地址栏中输入cmd 回车，命令窗中安装 pip install -r requirements.txt

一、 D:\yolov5-master\Y1目录下新建Y1文件夹

二、D:\yolov5-master\Y1\ImageSets?目录下手动创建Main文件夹

三、创建abc.yaml文件，存放自定义目标类别种类

train: D:/yolov5-master/Y1/train.txt
val: D:/yolov5-master/Y1/val.txt

nc: 1

names: ["mouse"]

1. train: D:/yolov5-master/Y1/train.txt 这一行指定了训练数据集的路径。

2. val: D:/yolov5-master/Y1/val.txt 这一行指定了验证数据集的路径。

3. nc: 1 这行代码表示在训练数据中有一个类别（nc 代表 “number of classes”，即类别数量）。在这个案例中，只有一个类别。

4. names: ["mouse"] 这行代码定义了类别的名称。由于 nc 被设置为 1，所以这里只列出了一个类别的名称，即 “mouse”（鼠标或老鼠）。这个名称用于模型训练过程中标记和识别图像中的对象。

?四、运行python文件

4.1 运行split_train_val.py 代码内容 ：

# 划分train、test、val文件
import os
import random
import argparse
 
parser = argparse.ArgumentParser()
# xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='D:/yolov5-master/Y1/Annotations', type=str, help='input txt label path')
# 数据集的划分，地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='D:/yolov5-master/Y1/ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()
 
trainval_percent = 0.9
train_percent = 8/9
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
    os.makedirs(txtsavepath)
 
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
 
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
 
 
for i in list_index:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        file_trainval.write(name)
        if i in train:
            file_train.write(name)
        else:
            file_val.write(name)
    else:
        file_test.write(name)
 
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()

4.2 运行voc_label.py 代码内容：?

import xml.etree.ElementTree as ET
import os
from os import getcwd
 
sets = ['train', 'val', 'test']
classes = ["mouse"]  # 改成自己的类别
abs_path = os.getcwd()
print(abs_path)
 
 
def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    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('D:/yolov5-master/Y1/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('D:/yolov5-master/Y1/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
 
    filename = root.find('filename').text
    filenameFormat = filename.split(".")[1]
    
    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))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
    return filenameFormat
 
 
wd = getcwd()
for image_set in sets:
    if not os.path.exists('D:/yolov5-master/Y1/labels/'):
        os.makedirs('D:/yolov5-master/Y1/labels/')
    image_ids = open('D:/yolov5-master/Y1/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('D:/yolov5-master/Y1/%s.txt' % (image_set),'w')
    for image_id in image_ids:
        filenameFormat = convert_annotation(image_id)
        list_file.write( 'D:/yolov5-master/Y1/images/%s.%s\n' % (image_id,filenameFormat))
    list_file.close()

运行结果：?

?五、训练模型及目标小鼠识别

?训练命令：

python D:/yolov5-master/train.py --img 900 --batch 2 --epoch 100 --data D:/yolov5-master/data/abc.yaml --cfg D:/yolov5-master/models/yolov5s.yaml --weights D:/yolov5-master/yolov5s.pt

?????下面是对启动 YOLOv5 的训练命令行中各部分的解释：

1. python: 调用 Python 解释器的命令

2. D:/yolov5-master/train.py: YOLOv5 训练脚本 train.py 的路径

3. --img 900: 设置输入图像的分辨率为 900 像素

4. --batch 2: 指定批处理大小为 2，这意味着每次迭代会处理两幅图像

5. --epoch 100: 设置训练轮数为 100，即完整数据集将被遍历100次

6. --data D:/yolov5-master/data/abc.yaml: 指定数据集配置文件的路径。?YAML 文件包含了训练和验证数据集的路径，以及类别信息

7. --cfg D:/yolov5-master/models/yolov5s.yaml: 指定模型配置文件的路径。文件定义了模型的架构

8. --weights D:/yolov5-master/yolov5s.pt: 指定预训练权重的路径。这里使用的是 YOLOv5 的小型版本（yolov5s）的预训练权重

识别命令：

python detect.py --source D:\yolov5-master\Y1\images\_95338980_gettyimages-460710996_jpg.rf.7387ff77cf64f0711d27085f22fe2c0d.jpg --weights D:\yolov5-master\runs\train\exp17\weights\best.pt --img 640

下面是对指令各个参数的解释：

1. python: 调用 Python 解释器

2. detect.py: YOLOv5 框架中用于执行对象检测的 Python 脚本

3. --source D:\yolov5-master\Y1\images\_95338980_gettyimages-460710996_jpg.rf.7387ff77cf64f0711d27085f22fe2c0d.jpg: 指定待检测图像的路径

4. --weights D:\yolov5-master\runs\train\exp17\weights\best.pt: 这个参数指定了训练好的权重文件的路径。在这个例子中，权重来自于之前训练过程中评估为“最佳”的模型

5. --img 640: 设置图像处理的分辨率为 640 像素

检测结果 保存在runs\detect\exp7路径下

结果分析：

由于我们在abc.yaml文件下只设置了mouse一种类别所以 ，三个边界框分别圈出了图像中的不同部分，并且每个框旁边都标注了“mouse”和一个数字。这些数字通常代表模型对于检测到的对象是“mouse”（老鼠）的置信度。例如，0.54 表示模型认为那个区域有54%的概率是老鼠。然而，模型也错误地将猫的部分面部区域也识别为“mouse”，我们可以通过调整目标类别以提高其识别准确性。