Yolov5 lite 重新训练COCO数据（只训练COCO含Person部分，其他当负样本）_yolov5只训练coco其中的一类

一、数据准备

1. 本文使用的YoLov5 lite 对COCO进行重新训练。这里需要提出的出，YOLO针对训练样本的数据划分，是不能直接采我们下载的COCO数据划分方式的的，需要将COCO中的json文件划分成txt文件（这里目标检测，就针对instances）。txt中存放的是每张图片中含有目标对象的类别和anchor的坐标。YOLO的数据集的划分目录结构如下：
   images：
   train2017:
   xxxxx.jpg
   xxxxx.jpg
   …
   val2017:
   xxxxx.jpg
   xxxxx.jpg
   …
   labels：
   train2017:
   xxxxx.txt
   xxxxx.txt
   …
   val2017:
   xxxxx.txt
   xxxxx.txt
   …

一、 修改文件

1.我们把数据集划分好了以后，并且放在了你一般放数据集的地方后，我们需要去修改一些配置文件，让我们训练的时候可以找到这些数据集。我们下载好yolo项目以后，我们找到data文件夹下的coco.yaml。我们修改里面的参数

train: ../../data/object/COCO/Yolo/images/train2017  # 118287 images
val: ../../data/object/COCO/Yolo/images/val2017  # 5000 images
1
2

这里修改的是我们数据集的路径，需要注意的是这里填的是图像的路径，label训练代码会自己找到。

# number of classes
nc: 1
1
2

这个是类别的数量。我这里是要Person这个类，所有类别为1

# class names
names: [ 'person' ]
1
2

类别名称

2. 修改完数据部分以后，我们需要去修改models文件夹下的文件，这个文件夹下有几个版本权重的配置文件，我们针对你使用的权重版本，我这里用的是v5Lite-s.pt，所以我修改v5Lite-s.yaml这个配置文件中的 nc 参数，我只有一个类，所以修改为1。

nc: 1  # number of classes
1

修改完配置文件以后，因为我们只要针对Person进行识别，我们只需要Person的label信息，其他类别的信息就不要了，直接为负样本。针对这里，我们需要去修改utils文件夹下的dataset的代码。

a. 因为YOLO会对数据做一个cache为方便读取数据，那我们在cache阶段就将我们Person单独取出来。我们找到cache_labels这个函数。

 # verify labels
        # 这里就是读trian/label的地方
        if os.path.isfile(lb_file):
            nf += 1  # label found
            with open(lb_file, 'r') as f:
                person_list = []
                l = [x.split() for x in f.read().strip().splitlines()]

                # 只将含有person的数据放入cache
                for ll in l:
                    if ll[0] == '1':
                        person_list.append(ll)
                l = person_list
1
2
3
4
5
6
7
8
9
10
11
12
13

我们新建一个person_list 用来存person的信息，我们读label的时候，是针对一个文件一行一行的读取（因为一个txt中有多个类型的信息），每一行的数据构成是 【类别id，anchor的坐标信息一共四个值】 。例如： 【58 0.389578 0.416103 0.038594 0.163146】 ，因为我需要的是person，person的类别id是1，所以我只保留为1的数据，这里的代码就非常的简单了。

这里修改好以后，就可以按照正常的要求进行训练啦！