pw网站更换域名,苏州优化外包,强强seo博客,电商app开发定制大概多少钱目录 引言前期准备Step0 环境部署1.安装OpenCV2.安装Pytorch3.安装Ultralytics Step1 打标训练Step2 格式转换Step3 整理训练集Step4 训练数据集4.1创建yaml文件4.2训练4.3预测4.4故障排查4.4.1OpenCV版本故障#xff0c;把OpenCV版本升级到4.0以上4.4.2NumPy版本故障#xf… 目录 引言前期准备Step0 环境部署1.安装OpenCV2.安装Pytorch3.安装Ultralytics Step1 打标训练Step2 格式转换Step3 整理训练集Step4 训练数据集4.1创建yaml文件4.2训练4.3预测4.4故障排查4.4.1OpenCV版本故障把OpenCV版本升级到4.0以上4.4.2NumPy版本故障把NumPy降低版本到1.26.44.4.3没有安装ultralytics模块4.4.4Arial.ttf下载超时4.4.5‘torchvision::nms‘4.4.6其他报错 参考博客 引言
YOLOYou Only Look Once作为一个目标检测算法支持训练和预测实例分割模型其标注要求是点集合和txt文件本文教程主要介绍如何训练自己的YOLO模型LabelMe点集标注的标签如何训练。
前期准备
在开始前建议先下载YOLO11训练源码安装Anaconda,VSCode,LabelMe并配置好Python环境,OpenCV3.10环境,PyTorch即可开始训练自己的数据集。
Step0 环境部署 已经配置好了的可以跳过 1.安装OpenCV 下载所需版本的OpenCV包,将安装好的.whl文件拷贝到.\Anaconda3\Lib\site-packages文件夹中并将原来的OpenCV卸载 pip uninstall opencv-python pip uninstall opencv-contrib-python cd .\Anaconda3\Lib\site-packages pip install msgpack-python pip install msgpack pip install x.whl 2.安装Pytorch
根据CUDA版本和onnx版本选择pytorch套件
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu1183.安装Ultralytics
必须要先安装CUDA版本的pytorch套件再安装YOLO环境
pip install ultralyticsStep1 打标训练
使用LabelMe软件进行打标签会在原图路径下生成.json标签文件。 实例分割需要尽可能多点包围缺陷如下所示 Step2 格式转换
LabelMe生成的.json标签文件格式不适用于YOLO训练需要转换格式为.txt标签文件利用以下代码将.json标签文件归一化为YOLO可直接训练的.txt标签文件。
import json
import osclass_name [background,dot,line,worn]
json_dir ./source/json
labels_dir ./source/labelsdef labelme2yolo_seg(class_name, json_dir, labels_dir):此函数用来将labelme软件标注好的json格式转换为yolov_seg中使用的txt格式:param json_dir: labelme标注好的*.json文件所在文件夹:param labels_dir: 转换好后的*.txt保存文件夹:param class_name: 数据集中的类别标签:return:list_labels [] # 存放json文件的列表# 0.创建保存转换结果的文件夹if (not os.path.exists(labels_dir)):os.mkdir(labels_dir)# 1.获取目录下所有的labelme标注好的Json文件存入列表中for files in os.listdir(json_dir): # 遍历json文件夹下的所有json文件file os.path.join(json_dir, files) # 获取一个json文件list_labels.append(file) # 将json文件名加入到列表中for labels in list_labels: # 遍历所有json文件lawith open(labels, r) as f:file_in json.load(f)shapes file_in[shapes]print(labels)txt_filename os.path.basename(labels).replace(.json, .txt)txt_path os.path.join(labels_dir, txt_filename) # 使用labels_dir变量指定保存路径with open(txt_path, w) as file_handle:for shape in shapes:line_content [] # 初始化一个空列表来存储每个形状的坐标信息line_content.append(str(class_name.index(shape[label]))) # 添加类别索引# 添加坐标信息for point in shape[points]:x point[0] / file_in[imageWidth]y point[1] / file_in[imageHeight]line_content.append(str(x))line_content.append(str(y))# 使用空格连接列表中的所有元素并写入文件file_handle.write( .join(line_content) \n)if __name__ __main__:labelme2yolo_seg(class_name, json_dir, labels_dir)json_dir替换成标签所在路径 labels_dir替换成新标签所在路径 class_name替换成标签 以上代码将Json标签转换为Txt多点标签用于实例分割训练 备注转换后查看txt是否包含多点信息如下图所示
Step3 整理训练集
YOLO有数据集要求放置的格式要求具体要求如下 dataset/ ├── train/ │ ├── images/ │ └── labels/ └── val/ ├── images/ └── labels/ 利用以下代码将快速将训练集整理好划分为训练集和验证集
import random
import shutil
import os
import shutil#通过相对路径索引到数据集
source_floder_path ./source
# 图片目标路径
images_folder source_floder_path /images
# 定义图片尾缀
image_suffix [.jpg]# 标签目标路径
labels_folder source_floder_path /labels
# 定义标签尾缀
label_suffix [.txt]def CollateDataset(image_dir,label_dir): # image_dir:图片路径 label_dir标签路径# 创建一个空列表来存储有效图片的路径valid_images []# 创建一个空列表来存储有效 label 的路径valid_labels []# 遍历 images 文件夹下的所有图片for image_name in os.listdir(image_dir):# 获取图片的完整路径image_path os.path.join(image_dir, image_name)# 获取图片文件的扩展名ext os.path.splitext(image_name)[-1]# 根据扩展名替换成对应的 label 文件名label_name image_name.replace(ext, .txt)# 获取对应 label 的完整路径label_path os.path.join(label_dir, label_name)# 判断 label 是否存在if not os.path.exists(label_path):# # 删除图片# os.remove(image_path)print(there is no:, label_path)else:# 将图片路径添加到列表中valid_images.append(image_path)# 将 label 路径添加到列表中valid_labels.append(label_path)# 遍历每个有效图片路径for i in range(len(valid_images)):image_path valid_images[i]label_path valid_labels[i]# 随机生成一个概率r random.random()# 判断图片应该移动到哪个文件夹# trainvalidtest 8:2:0if r 0.0:# 移动到 test 文件夹destination ./datasets/testelif r 0.1:# 移动到 valid 文件夹destination ./datasets/validelse:# 移动到 train 文件夹destination ./datasets/train# 创建目标文件夹中 images 和 labels 子文件夹os.makedirs(os.path.join(destination, images), exist_okTrue)os.makedirs(os.path.join(destination, labels), exist_okTrue)# 生成目标文件夹中图片的新路径image_destination_path os.path.join(destination, images, os.path.basename(image_path))# 移动图片到目标文件夹shutil.copy(image_path, image_destination_path)# 生成目标文件夹中 label 的新路径label_destination_path os.path.join(destination, labels, os.path.basename(label_path))# 移动 label 到目标文件夹shutil.copy(label_path, label_destination_path)def CopyImagesAndLabels(path):# 遍历源文件夹中的文件for filename in os.listdir(path):print(fFileName is {filename})# 将路径分隔符从 \\ 替换为 /filename filename.replace(\\, /)# 检查文件是否为图片的后缀结尾for suffix in image_suffix:#图片移动到图片路径if filename.endswith(suffix):# 拼接路径字符串source_file os.path.normpath(os.path.join(os.getcwd(), path, filename))dest_file os.path.normpath(os.path.join(os.getcwd(), images_folder, filename))# 复制文件if os.path.exists(source_file):try:# 复制文件# 确保目标文件夹存在递归创建目录os.makedirs(os.path.dirname(dest_file), exist_okTrue)print(fCopying Image {source_file} to {dest_file})shutil.copy(source_file, dest_file)except Exception as e:print(fError: {e}) # 检查文件是否为标签的后缀结尾for suffix in label_suffix:#图片移动到图片路径if filename.endswith(suffix):# 拼接路径字符串source_file os.path.normpath(os.path.join(os.getcwd(), path, filename))dest_file os.path.normpath(os.path.join(os.getcwd(), labels_folder, filename))# 复制文件print(fCopy Label {source_file} to {dest_file})if os.path.exists(source_file):try:# 复制文件# 确保目标文件夹存在递归创建目录os.makedirs(os.path.dirname(dest_file), exist_okTrue)print(fCopying Label {source_file} to {dest_file})shutil.copy(source_file, dest_file)print(File copied successfully!)except Exception as e:print(fError: {e})# 拷贝完成print(File copied successfully!)if __name__ __main__:# 整理训练集CopyImagesAndLabels(source_floder_path)CollateDataset(images_folder, labels_folder)source_floder_path替换成数据集所在路径 images_folder和labels_folder为图片集和标记集所在路径 image_suffix和label_suffix为图片集和标签集的尾缀 destination为最终训练集和验证集所在路径 以上代码只复制png和txt尾缀的数据集 备注转换后可以在本地路径上检查是否整理成功
Step4 训练数据集
4.1创建yaml文件 Train/val替换成数据集所在绝对路径 Classes为标签数量与名称 4.2训练
# coding:utf-8
from ultralytics import YOLO
import torch
import cv2
import os# 模型配置文件
model_yaml_path ./yolo11-main/ultralytics/cfg/models/11/yolo11-seg.yaml
# 数据集配置文件
data_yaml_path os.path.normpath(os.path.join(os.getcwd(), ./yolo11-main/ultralytics/cfg/datasets/mytrain.yaml))
# 预训练模型
pre_model_name os.path.normpath(os.path.join(os.getcwd(), ./yolo11-main/weights/yolo11s-seg.pt))
# 模型保存路径
save_model_name os.path.normpath(os.path.join(os.getcwd(), ./yolo11-main/runs/detect/mytrain_1120))if __name__ __main__:print(torch.__version__) #注意这里也是两个下划线print(cv2.__version__)# 加载预训练模型model YOLO(model_yaml_path).load(pre_model_name)# 使用预训练权重结果更高 但是如果要论文的话建议不要用预训练权重# 不加载预训练模型# model YOLOv(model_yaml_path)# 训练模型results model.train(datadata_yaml_path, epochs500, batch8, namesave_model_name, imgsz640, devicecuda:0)data_yaml_path替换成4.1步骤下yaml的名称与路径 pre_model_name为预训练模型区别如下图 以下表格列出了训练参数解析参数及其参考含义 参数类型默认值说明–datastrROOT/“data/coco128.yaml”数据集配置文件路径–epochsint500训练总轮数–batchint8所有 GPU 上的总批量大小-1 表示自动批量大小
task选择任务类型可选[‘detect’, ‘segment’, ‘classify’, ‘init’] mode: 选择是训练、验证还是预测的任务类型 可选[‘train’, ‘val’, ‘predict’] model: 选择yolov8不同的模型配置文件可选yolov8s.yaml、yolov8m.yaml、yolov8l.yaml、yolov8x.yaml data: 选择生成的数据集配置文件 epochs指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。 batch一次看完多少张图片才进行权重更新梯度下降的mini-batch,显卡不行你就调小点。
4.3预测
from ultralytics import YOLO# Load a pretrained YOLOv10n model
# model YOLOv10(runs/detect/train_v10/weights/best.pt)
model YOLO(./yolo11-main/runs/detect/mytrain_1120/weights/best.pt)# Perform object detection on an image
# results model(test1.jpg)
# results model.predict(ultralytics/assets/bus.jpg)
results model.predict(./source/images/8.jpg)# Display the results
results[0].show()以下是预测的结果 4.4故障排查
4.4.1OpenCV版本故障把OpenCV版本升级到4.0以上
ModuleNotFoundError: No module named ‘cv2’ 下载所需版本的OpenCV包,将安装好的.whl文件拷贝到.\Anaconda3\Lib\site-packages文件夹中并将原来的OpenCV卸载 pip uninstall opencv-python pip uninstall opencv-contrib-python cd .\Anaconda3\Lib\site-packages pip install msgpack-python pip install msgpack pip install x.whl 出现引用cv循环情况则重装opencv-contrib-python 备注版本cp后的数字代表了适配Python的版本。如果你的Python版本是3.9.11请务必选择cp39其它依此类推。对于我们Windows64位系统应当选择win_amd64系列。
4.4.2NumPy版本故障把NumPy降低版本到1.26.4
A module that was compiled using NumPy 1.x cannot be run in NumPy 2.0.1 as it may crash. To support both 1.x and 2.x versions of NumPy, modules must be compiled with NumPy 2.0. Some module may need to rebuild instead e.g. with ‘pybind112.12’. pip uninstall numpy pip install numpy1.26.4 4.4.3没有安装ultralytics模块
New https://pypi.org/project/ultralytics/8.2.66 available Update with ‘pip install -U ultralytics’ pip install -U ultralytics 4.4.4Arial.ttf下载超时
解决yolov5环境配置报错Arial.ttf下载超时Downloading
4.4.5‘torchvision::nms‘
【问题解决】NotImplementedError: Could not run ‘torchvision::nms‘ with arguments from the ‘CUDA‘ backend 之前先执行pip install ultralytics指令再安装CUDA版本的pytorch套件
要先安装pytorch再安装yolo环境
4.4.6其他报错
其他报错可以搜索或者在YOLO官方常见问题文档中查找
参考博客
1.深度学习之目标检测从入门到精通——json转yolo格式 2.模型训练篇 | yolov10来了手把手教你如何用yolov10训练自己的数据集含网络结构 模型训练 模型推理等 3.在win10下安装Anaconda环境并配置OpenCV 4.ModuleNotFoundError: No module named ‘torch‘ 解决方案 5.Labelme与YOLO标签格式互转含实例分割和目标检测轻松实现数据扩充
