YOLOv5白皮书-第Y2周：训练自己的数据集（云jupyter运行版 ）
>- **🍨 本文为[🔗365天深度学习训练营](小团体～第八波) 中的学习记录博客**
>- **🍖 原作者：[K同学啊](K同学啊-CSDN博客)**
目录
前言
一、.xml文件里保存的是什么
二、准备好自己的数据
三、创建split_train_val.py 文件，运行并生成 train.txt、test.txt、val.txt
（1）在yolov5-master工程内，新建一个.py文件，并命名为split_train_val.py：
（2）将以下代码写入该文件，设置自己的.xml和.txt文件路径：
（3）然后执行该文件，就得到下面的结果：
（4）创建voc_label.py，填充图片路径
四、创建 fruit.yaml 文件
五、开始用自己的数据集训练模型
(1) 输入训练指令
六六六、终于到总结了
前言
其实在YOLOv5白皮书-第Y1周：调用官方权重进行检测这一篇章中，我应该介绍一些基础概念的，不然即使是调用官方的权重，大家也看不懂，所以，这次，结合自己的数据集，我一次给大家讲清楚。
本文使用的是Pytorch深度学习环境。数据集百度网盘链接如下：水果检测数据集
一、.xml文件里保存的是什么
在yolov5-master/Fruit_dect/annotations文件夹里，打开任意一个.xml文件，这里打开fruit0.xml，文件内容如下：
注意每个标签组内的信息，后续voc_label.py文件会提取这些信息。
<annotation><folder>images</folder><filename>fruit0.png</filename><size><width>400</width><height>300</height><depth>3</depth></size><segmented>0</segmented><object><name>pineapple</name><pose>Unspecified</pose><truncated>0</truncated><occluded>0</occluded><difficult>0</difficult><bndbox><xmin>38</xmin><ymin>82</ymin><xmax>271</xmax><ymax>227</ymax></bndbox></object><object><name>snake fruit</name><pose>Unspecified</pose><truncated>0</truncated><occluded>0</occluded><difficult>0</difficult><bndbox><xmin>244</xmin><ymin>174</ymin><xmax>280</xmax><ymax>207</ymax></bndbox></object><object><name>dragon fruit</name><pose>Unspecified</pose><truncated>0</truncated><occluded>0</occluded><difficult>0</difficult><bndbox><xmin>254</xmin><ymin>228</ymin><xmax>351</xmax><ymax>300</ymax></bndbox></object>
</annotation>你看看，到了这里，很多小伙伴肯定不知道是什么是xml文件了，那么这里我就要和你解释一下。
yolo系列中呢，有3种数据集格式。
如上图可见，其中一种格式就是xml文件，这个时候对照一下自己的数据集，也就是我们的水果数据集是什么格式的
发现什么了，是的，数据集中有两种格式，一种png（图片路径），一种的xml（标签路径），注意每个标签组内的信息，后续voc_label.py文件会提取这些信息。。
链接如下：
百度AI-YOLO目标检测数据集指南：标签格式、划分与训练全攻略
目标检测YOLO数据集的三种格式及转换
二、准备好自己的数据
本次使用水果数据集，数据集包含200张图片，每张图片包含4种不同类别的水果：Banana、Snake fruit、Dragon fruit和Pineapple。
三、创建split_train_val.py 文件，运行并生成 train.txt、test.txt、val.txt
执行split_train_val.py前的文件结构：
（1）在yolov5-master工程内，新建一个.py文件，并命名为split_train_val.py：
（2）将以下代码写入该文件，设置自己的.xml和.txt文件路径：
# 导入必要的库
# 导入必要的库
import os
import random
import argparse# 创建一个参数解析器
parser = argparse.ArgumentParser()# 添加命令行参数，用于指定XML文件的路径，默认为“Annotations”文件夹
parser.add_argument('--xml_path', default='Fruit_dect/annotations/', type=str, help='input xml label path')# 添加命令行参数，用于指定txt标签文件的路径，默认为“ImageSets/Main”文件夹
parser.add_argument('--txt_path', default='Fruit_dect/ImageSets/Main/', type=str, help='output txt label path')# 解析命令行参数opt = parser.parse_args()
args = parser.parse_args(args=[])
opt =args# 定义训练验证和测试集的划分比例
trainval_percent = 1.0 # 使用全部数据
train_percent = 0.9 # 训练集占验证集的90%# 设置xml文件的路径，并根据命令行参数指定
xmlfilepath = opt.xml_path
print("xmlfilepath: ", xmlfilepath)# 设置txt文件的路径，并根据命令行参数指定
txtfilepath = opt.txt_path# 获取xml文件夹中的所有xml文件列表
total_xml = os.listdir(xmlfilepath)# 如果输出txt标签文件的文件夹不存在，创建它
if not os.path.exists(txtfilepath):os.makedirs(txtfilepath)# 获取xml文件的总数
num = len(total_xml)# 创建一个包含所有xml文件索引的列表
list_index = range(num)# 计算训练验证集的数量
tv = int(num*trainval_percent)# 计算训练集的数量
tr = int(num*train_percent)# 从所有xml文件索引中随机选择出训练验证集的索引
trainval = random.sample(list_index, tv)# 从训练验证集的索引中随机选择出训练集的索引
train = random.sample(list_index, tr)# 打开要写入的训练验证集、测试集、训练集、验证集的txt文件
file_trainval = open(txtfilepath + '/trainval.txt', 'w')
file_test = open(txtfilepath + '/test.txt', 'w')
file_train = open(txtfilepath + '/train.txt', 'w')
file_val = open(txtfilepath + '/val.txt', 'w')# 遍历所有xml文件的索引
for i in list_index:name = total_xml[i][:-4] + '\n' # 获取所有文件的名称（去掉后缀.xml），并添加换行符# 如果该索引在训练验证集中, 写入训练验证集txt文件，否则写入测试集txt文件if i in trainval: file_trainval.write(name) # if i in train: # 如果该索引在训练集中, 写入训练集txt文件，否则写入验证集txt文件file_train.write(name)else:file_val.write(name)else:file_test.write(name)# 关闭所有打开的文件
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
（3）然后执行该文件，就得到下面的结果：
打开任意一个文件，查看内容：【此处打开val.txt，文件内保存的是个文件名】
（4）创建voc_label.py，填充图片路径
voc_label.py位置如下
voc_label.py代码如下：
import xml.etree.ElementTree as ET
import os
from os import getcwd# 定义数据集的名称
sets = ['train', 'val', 'test']# 根据所用数据集，填写类别名称
classes = ["banana", "snake fruit", "dragon fruit", "pineapple"]# 获取当前工作目录的绝对路径
abs_path = getcwd()
print("abs_path: ", abs_path)# 定义一个函数，将边界框的坐标绝对值转换为相对于图像大小的比例
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, h# 定义一个函数，将标注文件从xml格式转为YOLO格式
def convert_annotations(image_id, annotations_dir, labels_dir):in_file = open(os.path.join(annotations_dir, "%s.xml" % image_id), encoding='UTF-8')out_file = open(os.path.join(labels_dir, "%s.txt" % image_id), 'w')tree = ET.parse(in_file)root = tree.getroot()filename = root.find('filename').textfilenameFormat = filename.split(".")[1]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').textcls = obj.find('name').textif cls not in classes or int(difficult) == 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))if b[1] > w:b[1] = wif b[3] > h:b[3] = hbb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + "\n")return filenameFormat# 指定 annotations 和 labels 目录的路径
annotations_dir = './annotations'
labels_dir = './labels'# 遍历每个数据集（train、val、test）
for image_set in sets:if not os.path.exists(labels_dir):os.makedirs(labels_dir)image_ids = open(os.path.join('./ImageSets/Main', '%s.txt' % image_set)).read().strip().split()list_file = open(os.path.join('./', '%s.txt' % image_set), 'w')for image_id in image_ids:filenameFormat = convert_annotations(image_id, annotations_dir, labels_dir)if filenameFormat:list_file.write(os.path.join(abs_path, 'images', '%s.%s\n' % (image_id, filenameFormat)))list_file.close()jupyter中的路径问题始终是大事
新的问题出现了，为什么txt文件是空的呢 ？答案：重启内核重新弄就好了，因为有一些代码是在pycharm中运行的，不适配。需要改一改。
执行后得到结果：
四、创建 fruit.yaml 文件
新建fruit.yaml 文件：这个文件名是我随意取的，这个可以做出改变的，fruit.yaml 文件的位置如下:这样方便统一管理，当然了，这都无所谓的，只要最后训练的时候，代码路径不出错就好了
内容如下 文件位置我换了 这个无所谓的
五、开始用自己的数据集训练模型
终端执行（有GPU）：python ./train.py --img 900 --batch 16 --epoch 100 --data ./Fruit_test/fruit.yaml --cfg ./models/Fruit_test.yaml --weights ./yolov5s.pt --device '0'
执行命令后，出现如下提示，表明训练进行中，等待训练完成，查看训练结果。
如图中所示，使用YOLO-v5s训练本文的数据集：
a. 100个epoch需要的时间是3.382小时
b. YOLOv5s 网络结构: 157 层, 参数量是7020913 , 梯度是0 , GFLOPs是15.8
c. 还显示了类别的训练结果，包括P-R值、mAP50的值
d. 训练结果保存在runs\train\exp7，在该路径下生成了许多文件：
打开其中一张图片，如val_batch1_labels.jpg，如下图，显示了各水果的标签：
打开val_batch1_labels.jpg，则显示了带预测值的标签：
六六六、终于到总结了
其实想说的有很多，收获也很大，踩了很多的坑，主要是代码不熟悉，路径总错，我使用的云服务器上的jupyter，所以一些路径的问题就需要注意。这次需要注意的点有三个
1、数据集有三种格式，文中用的xml，而且是标注好的，划分之后换成txt文件然后存储到yaml文件中。
2、模型文件也存在yaml文件中，运行训练的时候主要指定数据yaml和模型yaml文件，要注意。
3、自己基础不牢，对整个项目还没贯通，还需要补充文章细节。
继续加油吧，继续复习吧，期待下一周的任务，不过由于导师要求，我可能会加快更新速度，提高论文质量。