解决YOLOv5训练自己的数据集出现No labels in path\train.cache问题

这篇具有很好参考价值的文章主要介绍了解决YOLOv5训练自己的数据集出现No labels in path\train.cache问题。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

不知道是第几次训练了,最开始跑也出现了这个问题,当时怎么解决的时隔了几个月又完全忘了,还好翻看了几个博客后回忆了起来

我自己的数据集的格式是VOC格式,如下图

解决YOLOv5训练自己的数据集出现No labels in path\train.cache问题,目标检测,深度学习,人工智能

 若没有对数据集进行划分,则使用makeTXT.py对数据集进行划分,若数据集已经划分,则可忽略这一步

import os
import random

trainval_percent = 0.9 #这里是训练集和验证集占数据集的比例
train_percent = 0.9 #这里是训练集在训练集和验证集总集合中占的比例
xmlfilepath = 'data/smokedata/Annotations' #xml文件读取
txtsavepath = 'data/smokedata/ImageSets' #txt文件存放
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('data/smokedata/ImageSets/Main/trainval.txt', 'w') #txt文件存放的位置,一般放在ImageSets的Main下
ftest = open('data/smokedata/ImageSets/Main/test.txt', 'w')
ftrain = open('data/smokedata/ImageSets/Main/train.txt', 'w')
fval = open('data/smokedata/ImageSets/Main/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

对数据集进行划分后一个完整的VOC格式的数据集就已经完成了,划分后的文件结构是这样的

解决YOLOv5训练自己的数据集出现No labels in path\train.cache问题,目标检测,深度学习,人工智能

 文章来源地址https://www.toymoban.com/news/detail-525685.html

接下来就是将xml文件转为YOLO格式的txt文件,voc_labels.py代码如下:

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets = ['train', 'val', 'test']

classes = ["smoke"] #你自己数据集的类别


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('data/smoke/self_data/Annotation/%s.xml' %(image_id)) #读取xml的路径
    out_file = open('data/smoke/self_data/labels/%s.txt' %(image_id), 'w') #存放label的路径
    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('data/smoke/self_data/labels/'):
        os.makedirs('data/smoke/self_data/labels/')
    image_ids = open('data/smoke/self_data/ImageSets/Main/%s.txt'
                     % (image_set)).read().strip().split() #这里读取的是makeTXT.py划分数据集后的txt

    list_file = open('data/smoke/self_data/%s.txt' % (image_set), 'w') #这里生成了划分后数据集的具体路径,也是后边yaml需要用到的

    for image_id in image_ids:
        list_file.write('data/smoke/self_data/images/%s.png\n'
                        % (image_id)) #把你自己数据集的图片的路径写入上一步的txt文件
        convert_annotation(image_id)
    list_file.close()

最终文件结构

解决YOLOv5训练自己的数据集出现No labels in path\train.cache问题,目标检测,深度学习,人工智能 

生成的label下的txt文件:

解决YOLOv5训练自己的数据集出现No labels in path\train.cache问题,目标检测,深度学习,人工智能

其中数据格式是:cls_id  x  y  w  h 其中坐标(x,y)是中心点坐标,并且是相对于图片宽高的比例值 ,而不是绝对坐标。

解决no label问题的很重要的一点就是,原voc格式的图片存放路径是JPEGImages,而YOLOv5读取的图片路径为images,解决这一点最简单的办法就是新建一个images文件夹,然后将数据集的图片复制一份过来,使模型能读取到label,当然还有别的解决办法,例如修改YOLOv5中读取数据集的代码,只是个人觉得这个办法虽然傻,但很方便简单。

解决YOLOv5训练自己的数据集出现No labels in path\train.cache问题,目标检测,深度学习,人工智能

 数据格式转化后就可以写自己的yaml文件了:

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: data/smoke/self_data/train.txt  # voclabel.py生成的train.txt的路径
val: data/smoke/self_data/val.txt   # voclabel.py生成的val.txt的路径
test: data/smoke/self_data/test.txt

# number of classes
nc: 1

# class names
names: ['smoke']

接下来修改train.py

解决YOLOv5训练自己的数据集出现No labels in path\train.cache问题,目标检测,深度学习,人工智能

 

就可以顺利运行了

解决YOLOv5训练自己的数据集出现No labels in path\train.cache问题,目标检测,深度学习,人工智能

 

到了这里,关于解决YOLOv5训练自己的数据集出现No labels in path\train.cache问题的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • yolov5训练自己的数据集

    1.YOLOv5为开源代码,直接从github上下载,首先打开github官网,下载。 下载使用pycharm打开,有图中这些文件,   其中 data:主要是存放一些超参数的配置文件(这些文件(yaml文件)是用来配置训练集和测试集还有验证集的路径的,其中还包括目标检测的种类数和种类的名称)

    2024年02月07日
    浏览(120)
  • 【零基础玩转yolov5】yolov5训练自己的数据集(CPU训练+GPU训练)

     博主也是最近开始玩yolov5的,甚至也是最近开始使用python的,很多东西都没有接触过,因此训练自己的数据集花了不少时间,所以想写篇博客记录一下,希望同样是零基础的小伙伴们可以更加轻松的上手。同时大家如果发现了错误和理解偏差,欢迎指正。 参考资料: Yolo

    2024年02月06日
    浏览(70)
  • yolov5训练自己的数据集问题排除

    D:ProgramDataAnaconda3envsyolov5python.exe D:/yxt/yolov5-master/train.py Traceback (most recent call last):   File \\\"D:ProgramDataAnaconda3envsyolov5libsite-packagesgit__init__.py\\\", line 140, in module     refresh()   File \\\"D:ProgramDataAnaconda3envsyolov5libsite-packagesgit__init__.py\\\", line 127, in refresh     if not Git.refresh(p

    2024年04月11日
    浏览(63)
  • 【YOLO】yolov5训练自己的数据集

    【Python】朴实无华的yolov5环境配置(一)   上面前期教程中,大致介绍了yolov5开发环境的配置方法和yolov5项目的基本结构,下一步就是基于yolov5预训练模型来训练自己的数据集,这对于只是想要使用yolov5这个工具的人,还是想要深入研究yolov5类似的目标识别算法的人,都是

    2024年02月11日
    浏览(47)
  • yolov5数据读取报错:train: No labels found in /root/yolov5-master/VOCData/dataSet_path/train.cache

    这个问题是由于路径设置错误导致的,以下几个文件的路径都要保持一致。 (1)yolov5-master/VOCData/xml_to_yolo.py 这个文件是将xml格式的label转为txt格式,这个地方建议直接改为绝对路径。  (2)yolov5-mastertrain.py train文件里面的ROOT也需要改为yolov5-master所在路径,后续代码都使用

    2024年02月13日
    浏览(45)
  • YOLOv5训练自己的数据集实现视频的识别

    写在前面 我本来是使用这个模型进行手写签名的定位,但是因为比赛的主办方原因,数据不允许公开,所以我使用动物世界的一段开头视屏来制作我的数据集。这整个模型跑通的过程中,我参考了很多不错的博客,写这篇博客的原因是记录一下我的所见所感。我的模型是在

    2024年02月02日
    浏览(73)
  • YOLOv5-第Y2周:训练自己的数据集

    🍨 本文为🔗365天深度学习训练营 中的学习记录博客 🍖 原作者:K同学啊 电脑系统:Windows 10 语言环境:Python 3.8.5 编译器:colab在线编译 深度学习环境:PyTorch 文件夹目录结构: 🍦主目录: paper_ data (创建个文件夹,将数据放到这里) Annotations (放置我们的.xm文件) images (放置图

    2024年01月20日
    浏览(50)
  • yolov5-7.0训练自己的VOC数据集

    这个笔记可能只适用于7.0版本的,写这个笔记主要是给工作室伙伴参考的,大佬请绕行 有错误之处欢迎指出 yolov5的GitHub仓库地址:Release v7.0 - YOLOv5 SOTA Realtime Instance Segmentation · ultralytics/yolov5 (github.com) 需要下载源码和预训练模型 将源码解压,在其文件夹里面新建一个weights文

    2024年02月12日
    浏览(55)
  • YOLOv5如何训练自己的数据集(生活垃圾数据集为例)

    本文主要介绍如何利用YOLOv5训练自己的数据集 以生活垃圾数据集为例子 生活垃圾数据集(YOLO版) 点击这里直接下载本文生活垃圾数据集 生活垃圾数据集组成: YOLO数据有三个要点 images,存放图片 labes,对应Images图片的标签 data_txt, 划分images图片的数据集,形成三个txt 文件

    2024年02月07日
    浏览(58)
  • AI学习笔记四:yolov5训练自己的数据集

    若该文为原创文章,转载请注明原文出处。 一般情况下,大部分人的电脑都是没有cpu的,cpu也是可以训练的,但花费的时间太长,实际200张图片,使用CPU训练300轮花了3天,本章记录使用云服务器来训练自己的数据集。 使用的云服务器是AutoDL,一直在使用,性价比还是比较高的

    2024年02月15日
    浏览(49)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包