yolov5训练高精度非机动车驾驶检测_非机动车数据集

序言

使用yolov5训练非机动车驾驶状态的模型，检测内容为驾驶非机动车的人和车一体，单独的人或者单独的非机动车不检测，示例如下图所示：

一、数据准备

因为网上的数据集，包括coco数据集等，均没有将驾驶状态的非机动车做标注，通常都是独立的人、非机动车目标，所以这里需要重新收集数据再进行重新标注，该示例训练数据集由自己收集、标注，标注内容包括三个类：电动车（摩托车也包含在内）、三轮车、自行车；数据大部分来源于网上的监控视角（主要做监控检测），数据量5000+张，目标框标注超过20000+，数据经过精心筛选，非常适合监控下的非机动车驾驶检测，示例如下所示：

数据标注情况:

• all gt : 20246 (所有目标)
• bicycle gt: 5951 (自行车)
• electric gt: 13819 (电动车or摩托)
• tricycle gt: 476 (三轮车)

相关数据集和代码提供百度云，需要的朋友可自行下载。

链接：https://pan.baidu.com/s/1k-f61kiOiMA8yf-tqgV4GA?pwd=28hw
提取码：28hw

二、yolov5训练

这里默认已经配置好了yolov5运行所需要的环境；

首先准备一个文件夹，文件夹中内容如下，记住该文件夹绝对路径：

• Annotations 为xml标注文件
• images 存放训练图片
• ImageSets 用于存放划分的train、test、val txt文件
• labels 用于存放yolo格式标签

首先第一步划分数据集，使用如下代码：

import os
import random

trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = '上面的文件夹路径/Annotations'
txtsavepath = '上面的文件夹路径/images'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('上面的文件夹路径/ImageSets/trainval.txt', 'w')
ftest = open('上面的文件夹路径/ImageSets/test.txt', 'w')
ftrain = open('上面的文件夹路径/ImageSets/train.txt', 'w')
fval = open('上面的文件夹路径/ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

第二步将xml转换yolo格式，使用如下代码：

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

sets = ['train', 'test', 'val']

classes = ['electric','bicycle','tricycle']              #  3类标注文件

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('上面的文件夹路径/Annotations/%s.xml' % (image_id),encoding='UTF-8')
    # print(in_file)
    out_file = open('上面的文件夹路径/labels/%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')


wd = getcwd()
print(wd)
for image_set in sets:
    if not os.path.exists('上面的文件夹路径/labels/'):
        os.makedirs('上面的文件夹路径/labels/')
    image_ids = open('上面的文件夹路径/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('上面的文件夹路径/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        # print(image_id)
        list_file.write('上面的文件夹路径/images/%s.jpg\n' % (image_id))
        try:
            convert_annotation(image_id)
        except:
            print(image_id)
    list_file.close()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63

第三步在yolov5/data中创建一个Nonvehicle.yaml文件，文件内容如下：

# YOLOv5 
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Monodyee/article/detail/343221?site