YOLOv5自定义数据集

2022年6月22日 275次阅读 来源: Mr-hysteria

1.数据集结构

 文件的结构可以设置成这样：

YOLO_dir
└─ mydata
       ├─ images
       │    ├─ test # 下面放测试集图片
       │    ├─ train # 下面放训练集图片
       │    └─ val # 下面放验证集图片
       └─ labels
              ├─ test # 下面放测试集标签
              ├─ train # 下面放训练集标签
              ├─ val # 下面放验证集标签

比较简单的yaml文件如下（name列表要按照标准的顺序，文件路径是反斜杆）：

train: D:/company/py/yolo_dir/mydata/images/train
val: D:/company/py/yolo_dir/mydata/images/val



# Classes
nc: 6  # number of classes
names: ['broccoli','giraffe','potted plant','zebra','people','shoes']  # class names

YOLOv5数可以自动定位标签的位置，原理是吧images替换成labels，因此就按照这样的格式就好了。因此yaml文件不需要指定标签的位置

小规模时，训练集与验证集比例为7：3，如果有验证集，则为6：2：2参考

2.通过roboflow生成（官方）

1.1总体流程

标注工具齐全，并且都是在线保存，此外，还可以自动划分数据集、自动生成yaml文件

  1. 上传文件夹
  2. 这里推荐这样选择

    《YOLOv5自定义数据集》

  3. 不需要做数据增强，因为YOLOv5自带了数据增强
  4. 导出为YOLOv5格式

    《YOLOv5自定义数据集》

1.2 常用快捷键

CTRL–可以切换手与选择框

backspace–连续两次可以把框删除

左右按键–翻页

3.通过labelimg生成

  •  pip install labelImg安装标注工具
  • 在conda环境中直接输入labelImg可以打开

《YOLOv5自定义数据集》

《YOLOv5自定义数据集》

  1. 点击pascalvoc，切换成YOLO
  2. opendir打开需要标注的图像的具体位置
  3. change save data 确定标注文件夹的位置(路径不要有中文)
  4. 标注完成后点击保存

《YOLOv5自定义数据集》

可以设置自动保存 

《YOLOv5自定义数据集》

4.Tips for Best Training Results

官方参考

  1. 先尝试默认的参数进行训练
  2. 图片数据要足够，官方建议的是超过1500张
  3. 图像要变化（时间、角度、光线、大小、不同相机等）
  4. 物体要标注精确，尽量做到boundingbox和物体之间没有间隙
  5. 增加背景图片（No label），数量大概占据0~10％。这可以降低FALSE POSITIVES(FP)。背景图片的标签文件.txt文空文件，但是文件名要对应。
  6. 使用YOLO家族大型模型，一是训练慢，二是后面预测慢，但是优点在于精度高
  7. 默认300epochs，如果发生过拟合了，我可以减少epoch
  8. 当小目标多的时候，分辨率高训练效果好。因此可以设置–img 1280。如果训练的时候改了–img参数，那么预测也要改
  9. batch-size应该尽可能大，因为其除了影响训练速度外。如果batch-size太小，会产生不好的batchnorm statistics（BN）
    原文作者：Mr-hysteria
    原文地址: https://blog.csdn.net/weixin_44356969/article/details/123545143
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞