YOLOv5分割训练，从数据集标注到训练一条龙解决_yolov5 分割标注

最近进行了分割标注，感觉非常好玩，也遇到了很多坑，来跟大家分享一下，老样子有问题评论区留言，我会的就会回答你。

第一步：准备数据集

1、安装标注软件labelme
 如果要在计算机视觉领域深入的同学，最好先下载好conda，主要作用是可以创建虚拟环境，在虚拟环境中配置python运行的包，避免不同软件运行所需环境相互影响出现未知bug。具体安装congda过程可以在CSDN搜索。
 conda安装完成后，打开conda创建虚拟环境，name为虚拟环境名称，3.8为要安装的python版本，这里推荐对各个包适配更好的3.8版本。
1
2
3

conda create --name=labelme python=3.8
1

安装完成后，使用conda activate labelme 进入创建好的虚拟环境,在安装labelme之前先切换pip下载源到国内下载源，我这里使用的清华源。

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
1

安装labelme

pip install labelme
1

安装完成后，输入labelme即可打开程序，如下图即为成功

点击上面OpenDir打开存放要标注的图片的文件夹，点击上面CreatePolygons即可进入标注，点击一下便是一个点，把你要进行分割的东西圈起来，就会弹出下面的框，输入你标注的名称。

标注完成后，将json文件和图片保存在一个文件夹内，使用下面脚本。

import json
import glob
import os

import cv2
import numpy as np

json_path = r"D:"; #此处填写存放json文件的地址
labels = ['1','2']#此处填写你标注的标签名称
json_files = glob.glob(json_path + "/*.json")

for json_file in json_files:
    print(json_file)
    f = open(json_file)
    json_info = json.load(f)
    # print(json_info.keys())
    img = cv2.imread(os.path.join(json_path, json_info["imagePath"]))
    height, width, _ = img.shape

    np_w_h = np.array([[width, height]], np.int32)
    txt_file = json_file.replace(".json", ".txt")
    f = open(txt_file, "a")
    for point_json in json_info["shapes"]:
        txt_content = ""
        np_points = np.array(point_json["points"], np.int32)
        norm_points = np_points / np_w_h
        norm_points_list = norm_points.tolist()
        print()
        if point_json['label'] == labels[0]:
            txt_content += "0 " + " ".join([" ".join([str(cell[0]), str(cell[1])]) for cell in norm_points_list]) + "\n"
        elif point_json['label'] == labels[1]:
            txt_content += "1 " + " ".join([" ".join([str(cell[0]), str(cell[1])]) for cell in norm_points_list]) + "\n"

        f.write(txt_content)

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

使用上面脚本即可将json文件格式转为YOLO训练的txt格式，将图片和txt文件分别放入img文件夹和txt文件夹，使用以下脚本进行划分训练、测试集。

import os
import random
import shutil

rootpath = r'D:\a/'#此处为img和txt文件夹存放位置，地址后面要有/结尾

set1 = ['images','labels']
set2 = ['train','val']
for s1 in set1:
    if not os.path.exists(rootpath+s1):
        os.mkdir(rootpath+s1)
    for s2 in set2:
        if not os.path.exists(rootpath+s1+'/'+s2):
            os.mkdir(rootpath+s1+'/'+s2)


# 这是原始图片路径
img_path = rootpath+'img'
# 这是生成的txt路径
txt_path = rootpath+'txt'
file_names = os.listdir(img_path)
l = 0.8
n = len(file_names)
train_files = random.sample(file_names, int(n*l))
for file in file_names:
    print(file)
    if not os.path.exists(txt_path+'/'+file[:-3]+'txt'):
        os.remove(img_path+'/'+file)
        print(file[:-3]+'txt,不存在')
        continue
    if file in train_files:
        shutil.copy(img_path+'/'+file,rootpath+'images/train/'+file)
        shutil.copy(txt_path+'/'+file[:-3]+'txt',rootpath+'labels/train/'+file[:-3]+'txt')
    else:
        shutil.copy(img_path+'/'+file,rootpath+'images/val/'+file)
        shutil.copy(txt_path+'/'+file[:-3]+'txt',rootpath+'labels/val/'+file[:-3]+'txt')
print('ok!!')
print(len(train_files))


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

划分好数据集后会出现下面两个文件夹。

在YOLOv5文件夹的data文件夹内创建s-seg.yaml文件，将下面内容复制进去。

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:\a  # dataset root dir 
train : D:\a\images\train #此处填写上面划分好数据集的images文件夹下train
val: D:\a\images\val #此处填写上面划分好数据集的images文件夹下val


# Classes
names : #此处为标签序号和标签名
  0: 1
  1: 2
1
2
3
4
5
6
7
8
9
10

完成以上步骤即可进行第二步训练。

第二步：训练模型

打开YOLOv5文件夹内的segment文件夹中的train.py文件，从网上下载yolov5s-seg.pt文件放入该文件夹内，–data改为：

    parser.add_argument('--data', type=str, default=ROOT / 'data/s-seg.yaml', help='dataset.yaml path')
1

运行即可，训练出的模型在runs文件夹下train-seg文件夹下。

第三步：测试模型

打开YOLOv5文件夹内的segment文件夹中的predict.py文件，更改第243行附近的以下内容。
–weights是刚训练好的模型位置，是绝对路径
–source是要进行测试的图片位置，是绝对路径

    parser.add_argument('--weights', nargs='+', type=str, default=ROOT / r'd:\yolov5-master\runs\train-seg\exp\weights\best.pt', help='model path(s)')
    parser.add_argument('--source', type=str, default=ROOT / r'D:\test\tudi', help='file/dir/URL/glob/screen/0(webcam)')
1
2

测试完成的结果保存在runs文件夹内的predict-seg文件夹内，打开可以查看。