目录
第一步：下载YOLOv5代码，并配置环境，测试一下是否有无环境问题
第二步：数据集格式的转换与划分
第三步：修改配置文件，准备训练
第一步：下载YOLOv5代码，并配置环境，测试一下是否有无环境问题
yolov5_5.0源代码开源地址：
1.源代码下载后右击选择PyCharm打开，等待一会，会弹出一个要你配置环境的对话框，关掉它，我们自己配置环境。
配置环境： 点击【文件】->【设置】->【Python解释器】，选择相应的环境【我的是：pytorch】
配置要有个一两分钟，等待一下
2.找到【detect.py】，右击运行，报错如下:
原因：没有放权重文件进去，下载地址：权重地址
解决方法：下载后放到项目文件中去。
3.再次运行【detect.py】结果：在D:\DeepLearning\projectone\yolov5-5.0\runs\detect\exp2中生成了预测的结果图片，但是没有预测框？？？？？
解决方法1：在53行添加如下代码：
cudnn.benchmark = True添加后就是这样的：
然后再运行【detect.py】，结果如下，有了预测框，但是出现的问题就是检测速度变慢了，具体也不知道为啥，有懂得小伙伴可以留言呐！！
解决方法2：在【detect.py】，定位到32行，注释掉原来的代码，更改为
half = False
结果：预测框就出现了！！！！
经过以上测试，说明我们得环境是没有问题的，可以进行下一步啦。
---------------------------------------------------手动分割线---------------------------------------------------------------
第二步：数据集格式的转换与划分
参考博客：
(70条消息) 使用Yolov5训练自己制作的数据集，快速上手_佐咖的博客-CSDN博客_yolov5数据集格式
我使用的是Make Sense在线标注，还是挺方便的，不过要注意一次不要导入太多图片，因为是在线网页上的操作，要是误关了网页，就要重来了。。。使用很简单，这里不赘述。
标注完后得到一份压缩包：
解压后得到xml文件：
下面开始对标注的格式进行转换，并划分数据集，这里是VOC格式
1.首先创建VOC格式数据集文件格式：先对格式做个说明：这里是划分前的文件夹形式，自己按照如下格式创建好文件夹：（说明：dataset是我D盘下的一个文件夹，这里自己定，我没有把VOCdevkit数据集文件夹放到yolo项目根目录中）
在创建好文件夹后，将图片放入JPEGImages，将makesense导出的xml文件放入Annotations。
2.转换脚本：主要修改一下路径
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random
from shutil import copyfile
classes = ["cat","dog","fox"] ## 这里要写好标签对应的类
TRAIN_RATIO = 80 # 表示将数据集划分为训练集和验证集，按照2:8比例来的
def clear_hidden_files(path):
dir_list = os.listdir(path)
for i in dir_list:
abspath = os.path.join(os.path.abspath(path), i)
if os.path.isfile(abspath):
if i.startswith("._"):
os.remove(abspath)
else:
clear_hidden_files(abspath)
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('D:/DeepLearning/dataset/VOCdevkit/VOC2022/Annotations/%s.xml' % image_id)
out_file = open('D:/DeepLearning/dataset/VOCdevkit/VOC2022/YOLOLabels/%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')
in_file.close()
out_file.close()
wd = os.getcwd()
wd = os.getcwd()
data_base_dir = os.path.join(wd, "D:/DeepLearning/dataset/VOCdevkit/")
if not os.path.isdir(data_base_dir):
os.mkdir(data_base_dir)
work_sapce_dir = os.path.join(data_base_dir, "D:/DeepLearning/dataset/VOCdevkit/VOC2022/")
if not os.path.isdir(work_sapce_dir):
os.mkdir(work_sapce_dir)
annotation_dir = os.path.join(work_sapce_dir, "D:/DeepLearning/dataset/VOCdevkit/VOC2022/Annotations/")
if not os.path.isdir(annotation_dir):
os.mkdir(annotation_dir)
clear_hidden_files(annotation_dir)
image_dir = os.path.join(work_sapce_dir, "D:/DeepLearning/dataset/VOCdevkit/VOC2022/JPEGImages/")
if not os.path.isdir(image_dir):
os.mkdir(image_dir)
clear_hidden_files(image_dir)
yolo_labels_dir = os.path.join(work_sapce_dir, "D:/DeepLearning/dataset/VOCdevkit/VOC2022/YOLOLabels/")
if not os.path.isdir(yolo_labels_dir):
os.mkdir(yolo_labels_dir)
clear_hidden_files(yolo_labels_dir)
yolov5_images_dir = os.path.join(data_base_dir, "images/")
if not os.path.isdir(yolov5_images_dir):
os.mkdir(yolov5_images_dir)
clear_hidden_files(yolov5_images_dir)
yolov5_labels_dir = os.path.join(data_base_dir, "labels/")
if not os.path.isdir(yolov5_labels_dir):
os.mkdir(yolov5_labels_dir)
clear_hidden_files(yolov5_labels_dir)
yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/")
if not os.path.isdir(yolov5_images_train_dir):
os.mkdir(yolov5_images_train_dir)
clear_hidden_files(yolov5_images_train_dir)
yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/")
if not os.path.isdir(yolov5_images_test_dir):
os.mkdir(yolov5_images_test_dir)
clear_hidden_files(yolov5_images_test_dir)
yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/")
if not os.path.isdir(yolov5_labels_train_dir):
os.mkdir(yolov5_labels_train_dir)
clear_hidden_files(yolov5_labels_train_dir)
yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/")
if not os.path.isdir(yolov5_labels_test_dir):
os.mkdir(yolov5_labels_test_dir)
clear_hidden_files(yolov5_labels_test_dir)
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w')
train_file.close()
test_file.close()
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a')
list_imgs = os.listdir(image_dir) # list image files
prob = random.randint(1, 100)
print("Probability: %d" % prob)
for i in range(0, len(list_imgs)):
path = os.path.join(image_dir, list_imgs[i])
if os.path.isfile(path):
image_path = image_dir + list_imgs[i]
voc_path = list_imgs[i]
(nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))
(voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))
annotation_name = nameWithoutExtention + '.xml'
annotation_path = os.path.join(annotation_dir, annotation_name)
label_name = nameWithoutExtention + '.txt'
label_path = os.path.join(yolo_labels_dir, label_name)
prob = random.randint(1, 100)
print("Probability: %d" % prob)
if (prob < TRAIN_RATIO): # train dataset
if os.path.exists(annotation_path):
train_file.write(image_path + '\n')
convert_annotation(nameWithoutExtention) # convert label
copyfile(image_path, yolov5_images_train_dir + voc_path)
copyfile(label_path, yolov5_labels_train_dir + label_name)
else: # test dataset
if os.path.exists(annotation_path):
test_file.write(image_path + '\n')
convert_annotation(nameWithoutExtention) # convert label
copyfile(image_path, yolov5_images_test_dir + voc_path)
copyfile(label_path, yolov5_labels_test_dir + label_name)
train_file.close()
test_file.close()
转换后结果：
1）在YOLOLabels中生成了txt格式的标注文件，完成了xml到txt格式的转换；
2）在VOCdevkit下生成了两个文件夹Images和labels，分别存放图片和txt格式的标注文件
Images下存放训练集和验证集图片，比例8：2，labels下存放训练集和验证集的标注文件，比例8：2，完成了训练集与验证集的划分。
具体格式如下：
第三步：修改配置文件，准备训练
1.在【data】中，复制coco.yaml，直接ctrl+c，然后ctrl+v,重命名为【my_obstacle.yaml】，名字可任意，然后保存在【data】下
修改【my_obstacle.yaml】文件内容，我这里的训练集验证集路径不在yolo根目录下，所以都是写的绝对路径。
2.在【models】文件夹下复制yolov5s.yaml，重命名为【yolov5s_obstacle.yaml】，名字可任意，然后保存在【models】下
修改类别为3
3.修改【train.py】
1）weights----模型权重在yolo项目根目录下
2）cfg----在pycharm左边目录栏，右击【yolov5s_obstacle.yaml】，复制路径，来自内容根的路径，粘贴即可
3）data----在pycharm左边目录栏，右击【my_obstacle.yaml】，复制路径，来自内容根的路径，粘贴即可
4）epochs----训练轮数，我这里是100轮
5）batch_size----根据电脑性能修改，我这里只能是1才能跑起来（我的显卡GTX1650）
6）workers----我一直用的是1，这里我不确定，可以自己尝试一下
然后开始运行【train.py】
训练过程中输出的参数：刚好在训练时写这篇博客，贴个图吧
每次训练都要网上找个博客看步骤，这次索性自己写一个，记录一下
如有错误请指正！
2022.11.28补充：
今天在改网络结构，开始训练的时候会报错：
RuntimeError: result type Float can‘t be cast to the desired output type long int
解决方法参考：文章来源：https://www.toymoban.com/news/detail-666796.html
(75条消息) 一步真实解决RuntimeError: result type Float can‘t be cast to the desired output type long int_蓝胖胖▸的博客-CSDN博客文章来源地址https://www.toymoban.com/news/detail-666796.html
到了这里，关于YOLOv5_5.0训练自己的数据集 RuntimeError: result type Float can‘t be cast to the desired output type long int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！
