YOLO-v3 使用自己标注的数据训练模型

YOLO-v3识别速度快，记录标注自己数据并训练模型的过程

下载图像标记工具labelImg，GitHub地址。
在Ubuntu18系统上编译labelImg

sudo apt install pyqt5-dev-tools
sudo pip install pyqt5==5.10.1
sudo pip install lxml==4.2.4
make qt5py3
# 测试运行
python3 labelImg.py

开始标注图像

图像标记两个常用快捷键w(创建区块)Ctrl+s保存－－苦B的鬼差事

YOLO-v3 使用自己标注的数据训练模型

标记后的每个图像都会生成一个xml文件
将xml文件转为txt格式，txt文件放在图像文件同目录下，具体转换可参考yolo-v3 GitHub上scripts/voc_label.py

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

# sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]

# classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
classes = ['text']


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(infile, outfile):
    in_file = open(infile)
    out_file = open(outfile, mode='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()


def deal_xml(usage):
    wd = getcwd()
    print('The current word dir is {}'.format(wd))

    xml_label_dir = '{}_xml'.format(usage)
    txt_label_dir = '{}_txt'.format(usage)
    xml_dir = os.path.join(wd, 'original', xml_label_dir)
    txt_dir = os.path.join(wd, 'original', txt_label_dir)
    for root, dirs, files in os.walk(xml_dir):
        for file in files:
            infile = os.path.join(root, file)
            outfile = os.path.join(txt_dir, file.replace('xml', 'txt'))
            convert_annotation(infile, outfile)


def get_image_dir(usage):
    wd = getcwd()
    train_img_dir = usage
    train_dir = os.path.join(wd, 'original', train_img_dir)
    out_file_name = os.path.join(wd, 'original', '{}_image_path.txt'.format(usage))
    print('out file name is {}'.format(out_file_name))
    out_file = open(out_file_name, mode='w')
    for root, dirs, files in os.walk(train_dir):
        for file in files:
            out_file.write("%s/%s\n" % (root, file))
    out_file.close()


if __name__ == '__main__':
    use_name = 'train'
    # deal_xml(use_name)
    get_image_dir(use_name)

deal_xml()用于将某目录下所有xml文件转换为txt，get_iamge_dir()用于生成所有图像所有位置的txt。

YOLO-v3 使用自己标注的数据训练模型

主要2个文件夹train和val存储训练和验证用的图像及txt，两个文件train_iamge_path和val_image_path是图像文件路径文件。

将所有文件的路径写到一个txt文件中，此处至少需要2个目录，一个是train用于训练，一个是val用于验证。
下载yolo-v3，yolo官网，yolo-v3的GitHub地址。
修改makefile，GPU=1使用GPU训练
make编译，如不成功查找原因（注意编译时cuda版本与gcc版本问题）
将每个图像的txt文本放到图像所在文件夹下，图像路径的txt文本放到指定位置。验证集和测试集同样处理。
修改cfg/voc.data

classes= 1 #classes为训练样本集的类别总数
train  = /dir**/**train.txt #保存训练集所有图像路径的txt文件
valid  = /dir**/**val.txt #保存验证集所有图像路径的txt文件
names = data/voc.names #names的路径为data/voc.names文件所在的路径

修改data/voc.name，我做文本检测，只用了一个类，这个名与做图像标记时，输入的类名一致。

text

修改cfg/yolov3-voc.cfg

[net]
# Testing
# batch=1        #这里的batch跟subdivisions原来不是注释掉的，copy别人的
# subdivisions=1

[convolutional]
size=1
stride=1
pad=1
filters=18        #修改为3*（classes+5）即3*（1+5）=18，以下面classes修改作参考，修改[yolo]标记上面这个filters，修改了3修

[yolo]
classes=1        ＃修改为标签类别个数，1类，注意找[yolo]，修改了3处

开始训练


./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg

测试识别

./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights test.png

YOLO-v3 使用自己标注的数据 训练模型

相关推荐

YOLO-v3 使用自己标注的数据训练模型