【用YOLOv5模型实现旅客行李5类异物检测——训练过程】

【用YOLOv5模型实现旅客行李5类异物检测——训练过程】

-------Start

在开始以下操作之前需要安装Anaconda，并在Anaconda中配置pytorch深度学习环境. 完成以上配置之后再进行接下来的操作。

---------官方YOLOV5代码

---------地铁异物检测数据集

1. 下载代码，数据集，预训练权重

1.1 代码下载

文件解压

1.2 数据集下载

下载以下2个文件，并解压。

xml为数据的标签文件，共8929个文件，至于xml文件中的内容大家可以百度学习下，这里不做讲解。

jpg文件为检测的X光图像，共8929张图像，一张图像对应一个xml文件。

1.3 预训练权重下载

2. 数据集整理

2.1 首先新建SIXray文件，里面包含如下内容：Annotations文件夹里为所有的xml文件，Images文件夹里为所有的jpg文件，ImageSets文件夹里再新建一个main文件夹，labels为空文件夹。

2.2 先修改以下代码的convert_annotation函数中in_file ，out_file 文件路径为你自己数据集所对应的路径。

ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ["Gun", "Knife","Wrench","Pliers", "Scissors"]
def convert(size, box):dw = 1. / (size[0])dh = 1. / (size[1])x = (box[0] + box[1]) / 2.0 - 1y = (box[2] + box[3]) / 2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn x, y, w, hdef convert_annotation(image_id):in_file = open('E:/chongda/SIXray/Annotations/%s.xml' % (image_id), encoding='UTF-8')out_file = open('E:/chongda/SIXray/labels/%s.txt' % (image_id), 'w')tree = ET.parse(in_file)root = t()w = int(root.find('size').find('width').text)h = int(root.find('size').find('height').text)for obj in root.iter('object'):try:cls = obj.find('name').textexcept:continueif cls not in classes == 1:continuecls_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 = wif b4 > h:b4 = hb = (b1, b2, b3, b4)bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + 'n')#划分训练集，测试集，验证集
def test():import osimport randomimport argparseparser = 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=r'E:chongdaSIXraylabels', type=str, help='input xml label path')# 数据集的划分，地址选择自己数据下的ImageSets/Mainparser.add_argument('--txt_path', default=r'E:chongdaSIXrayImageSetsMain', type=str, help='output txt label path')opt = parser.parse_args()#训练集：验证集的比例trainval_percent = 0.9#训练集+验证集：测试集的比例train_percent = 0.9xmlfilepath = l_pathtxtsavepath = _pathtotal_xml = os.listdir(xmlfilepath)if not ists(txtsavepath):os.makedirs(txtsavepath)random.seed(2022)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 + '/', 'w')file_test = open(txtsavepath + '/', 'w')file_train = open(txtsavepath + '/', 'w')file_val = open(txtsavepath + '/', '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()
#根据划分的数据集生成对应的文件路径
def test2():for image_set in sets:image_ids = open(r'E:chongdaSIXrayImageSetsMain%s.txt' % (image_set)).read().strip().split()list_file = open(r'E:chongdaSIXray%s.txt' % (image_set), 'w')for image_id in image_ids:list_file.write('E:chongdaSIXrayimages%s.jpgn' % (image_id))list_file.close()
#将原数据标签转化成我们需要的标签
def test3():path = r'E:chongdaSIXrayAnnotations'for image_id in os.listdir(path):convert_annotation(image_id[:-4])

然后执行test3函数，执行完后会在labels文件夹里生成8929个txt文件，如下图所示。这一步操作是将xml标签文件转化成我们所需格式的文件。

2.3 修改以上代码的test函数中的两个路径值为你自己数据集相对应的位置。

修改完毕后，执行test函数，将产生以下文件，这一步操作是划分数据集为训练集，测试集，验证集。

2.4 修改test2函数中的三处路径为你自己数据集所对应的路径。

修改完成后会在SIXray文件夹下生成如下文件。

检查其中文件的内容是否是图像的完整路径。

3. 代码整理

3.1 用pycharm导入解压后的代码文件

在data目录下新建my.yaml文件，文件内容如下所示，此处需要修改train,val,test的路径，值为你的数据集下txt文件的路径。

3.2 修改models下yolov5s.yaml文件中的nc值为5，代表要检测的5个类别。

3.3 将下载好的YOLOv5s模型预训练权重，并放在项目根目录下。

3.4 修改train.py文件中的相应参数，batchsize的值根据显卡的算力进行调整，通常取值为偶数。值越大，要求显卡的算力越高。

3.5 至此，修改完毕，执行train.py进行网络的训练。

3.6 控制台出现以下训练输出日志，表示训练完毕。程序会自动保存最后一次训练完毕的模型权重和最优模型权重。

运行完毕后，会在runs/train/的文件夹下保存每次训练的相关文件，weights存放的是模型的权重。best.pt是最优模型权重，last.pt是训练完毕的权重，其他文件可自行打开查看。

PR图像

训练过程指标变化

混淆矩阵

模型的测试过程请参考下一篇博文。

-------End