yolov5 权重 下载

一，准备数据集

1.1 挑选照片

　　公主做的是缺陷检测方向，没有好办法，只能靠人眼，公主试过用阈值分割法来挑选，但是！如果阈值分割法能准确分离缺陷，就不用用yolo了不是？特别是灰度相近，而且每张照片灰度都不同，背景与缺陷灰度对比度很接近，比如左图中的硌伤~特别是背景有噪声的时候如右图，阈值分割法就直接躺平了~ 

                                              

                                             

　　没办法，从4T的数据里挑出来，挑的公主眼睛都要瞎了~~~

1.2 做标注：

　　公主用的labelImg，大部分做yolo标注都用这个，也是很主流的标注工具，安装方法见公主另一篇博客。那篇博客标注方法没写全，在这里详细介绍一下：

　　（1）修改默认标签。公主先只做了一种缺陷，缺陷名称为“硌伤”，因此只写了一种class。在labelImg的安装文件夹中的data/predefined_classes里面修改class：

　　（2）创建images文件夹和labels文件夹，可以放在任意的文件夹下。将挑选出的照片放到images的文件夹中。

　　（3）在cmd中cd到labelImg文件夹下，运行python labelImg命令打开labelImg主页面。或者直接在pycharm的Terminal中打开也行，公主是直接用pycharm的Terminal来运行的。

 

 　　（4）在主页面上打开待标注文件，进行标注

 

　　labelImg如上图所示。

• 第一步先将标注类型改为YOLO，这一步非常关键！
• 第二部修改Save Dir到之前创建的labels的文件夹
• 第三步Open Dir，打开之前创建的images文件夹，此时会出现4框中的所有文件
• 双击想要标注的图像，通过Create RectBox在需要标注的位置画出框，选好标注类型就可以啦~
• 可以选中View->Auto Save Mode，这样标注完就不用手动点Save了，直接点Next Image跳到下一张即可自动保存。
• 此时可以看到labels文件夹中多了一个与图像同名的.txt文件，即为标注文件啦！注意，标注与图片是一一对应的！

　　labels的格式如下：

 二，下载YoloV7

　　下载地址

　　下载之后的目录结构是这样的：

 

 

三，划分数据集

　　由于公主是一股脑将所有图像放到一起了，由于工业生产的特殊性，临近时间产生的缺陷相似，因此需要随机将图像拆分为训练集，验证集及测试集。

　　在yolov7-main主文件夹下创建data.py, 并在datasets文件夹下创建defect文件夹，目录结构如下：红框画出的文件是下面代码运行完后自动生成的。　　

　　公主在这篇博客的代码基础上修改了一下，同时生成了yolov7需要的目录文件，代码如下：

# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os

# 原始路径
image_original_path = "./mydata/images/"
label_original_path = "./mydata/label/"

cur_path = os.getcwd()

# 训练集路径
train_image_path = os.path.join(cur_path, "datasets/defect/images/train/")
train_label_path = os.path.join(cur_path, "datasets/defect/labels/train/")

# 验证集路径
val_image_path = os.path.join(cur_path, "datasets/defect/images/val/")
val_label_path = os.path.join(cur_path, "datasets/defect/labels/val/")

# 测试集路径
test_image_path = os.path.join(cur_path, "datasets/defect/images/test/")
test_label_path = os.path.join(cur_path, "datasets/defect/labels/test/")

# 训练集目录
list_train = os.path.join(cur_path, "datasets/defect/train.txt")
list_val = os.path.join(cur_path, "datasets/defect/val.txt")
list_test = os.path.join(cur_path, "datasets/defect/test.txt")

train_percent = 0.6
val_percent = 0.2
test_percent = 0.2


def del_file(path):
    for i in os.listdir(path):
        file_data = path + "\\" + i
        os.remove(file_data)


def mkdir():
    if not os.path.exists(train_image_path):
        os.makedirs(train_image_path)
    else:
        del_file(train_image_path)
    if not os.path.exists(train_label_path):
        os.makedirs(train_label_path)
    else:
        del_file(train_label_path)

    if not os.path.exists(val_image_path):
        os.makedirs(val_image_path)
    else:
        del_file(val_image_path)
    if not os.path.exists(val_label_path):
        os.makedirs(val_label_path)
    else:
        del_file(val_label_path)

    if not os.path.exists(test_image_path):
        os.makedirs(test_image_path)
    else:
        del_file(test_image_path)
    if not os.path.exists(test_label_path):
        os.makedirs(test_label_path)
    else:
        del_file(test_label_path)


def clearfile():
    if os.path.exists(list_train):
        os.remove(list_train)
    if os.path.exists(list_val):
        os.remove(list_val)
    if os.path.exists(list_test):
        os.remove(list_test)


def main():
    mkdir()
    clearfile()

    file_train = open(list_train, 'w')
    file_val = open(list_val, 'w')
    file_test = open(list_test, 'w')

    total_txt = os.listdir(label_original_path)
    num_txt = len(total_txt)
    list_all_txt = range(num_txt)

    num_train = int(num_txt * train_percent)
    num_val = int(num_txt * val_percent)
    num_test = num_txt - num_train - num_val

    train = random.sample(list_all_txt, num_train)
    # train从list_all_txt取出num_train个元素
    # 所以list_all_txt列表只剩下了这些元素
    val_test = [i for i in list_all_txt if not i in train]
    # 再从val_test取出num_val个元素，val_test剩下的元素就是test
    val = random.sample(val_test, num_val)

    print("训练集数目：{}, 验证集数目：{}, 测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))
    for i in list_all_txt:
        name = total_txt[i][:-4]

        srcImage = image_original_path + name + '.bmp'
        srcLabel = label_original_path + name + ".txt"

        if i in train:
            dst_train_Image = train_image_path + name + '.bmp'
            dst_train_Label = train_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_train_Image)
            shutil.copyfile(srcLabel, dst_train_Label)
            file_train.write(dst_train_Image + '\n')
        elif i in val:
            dst_val_Image = val_image_path + name + '.bmp'
            dst_val_Label = val_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_val_Image)
            shutil.copyfile(srcLabel, dst_val_Label)
            file_val.write(dst_val_Image + '\n')
        else:
            dst_test_Image = test_image_path + name + '.bmp'
            dst_test_Label = test_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_test_Image)
            shutil.copyfile(srcLabel, dst_test_Label)
            file_test.write(dst_test_Image + '\n')

    file_train.close()
    file_val.close()
    file_test.close()


if __name__ == "__main__":
    main()

 

　　至此，数据集彻底准备完毕！

　　CUDA的安装我是参考这篇博客。

三，模型训练

3.1 创建yaml文件

 

 　　在data文件夹中创建新的yaml文件，本例中缺陷为硌痕（公主不知道硌痕怎么翻译，长得像气泡，就翻译成了bubble >_<）。把coco.yaml文件复制过来，根据自己的要求修改。

3.2 修改默认参数

　　根据自己的情况修改，参数代表的意思可以参考这篇博客，讲的非常详细。

　　

 

 　　公主只改了这三个，

• --data：是必改的。
• --epochs：公主的缺陷类型比较简单，好识别，因此只设了200个epochs，实际上150个左右的时候就差不多收敛了。
• --batch-size：公主的显卡显存不太行，只设了8个。但照片数量少，只有一千张左右，因此速度也不算慢。
• --img-size：本例训练集照片是512*512的，因此公主使用了默认的[640 640]

3.3 开始训练

　　由于默认参数已经修改了，训练时直接运行命令

　　

 

　　即可。

      训练时：

 

 训练完毕会提示：

 

 　　最后一轮迭代的权重文件放在runs\train\exp6\weights\last.pt中，最好的权重文件放在runs\train\exp6\weights\bext.pt中。

四，训练模型遇到的问题

3.1 UnicodeDecodeError: 'gbk' codec can't decode type 0xaf in position 525: illegal multibyte sequence

 　　查了下原因是python和win10系统，打开文件时默认的编码方式冲突导致：python默认的是gbk，而win10默认的是utf-8，所以只要改一下python打开文件时，默认的编码就行

 3.2  subprocess.Called processError: Command 'git tag' returned non-zero exit status 128

　　主要原因是因为request请求访问github被墙，解决方案就是手动下载所需的yolov7.pt权重文件，地址为https://github.com/WongKinYiu/yolov7。下载之后放在主目录下，然后还要把train.py中的权重从yolo7.pt改为yolov7.pt，

五，测试

　　　在datasets\defect中新建一个文件夹testImages。运行detect.py　　

 在runs\defect\exp2中打开文件查看

　　哎呦，标的很准，可是，由于标签是中文，显示乱码“？？？？？”怎么办呢？

 六，解决标签中文显示问题

　　为啥显示乱码呢？查了下资料，原来是opencv的cv2.putText()不支持中文。只能重写plots.py里的plot_one_box()函数，根据这篇博客的介绍。将plot_one_box重写如下：

def plot_one_box(x, img, color=None, label=None, line_thickness=3):
    # Plots one bounding box on image img
    tl = line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1  # line/font thickness
    color = color or [random.randint(0, 255) for _ in range(3)]
    c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3]))
    cv2.rectangle(img, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA)
    if label:
        tf = max(tl - 1, 1)  # font thickness
        t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0]
        font_size = t_size[1]
        font = ImageFont.truetype(r"D:\YOLOV7\yolov7-main\Font\simsun.ttc", font_size, encoding="utf-8")
        t_size = font.getsize(label)
        c2 = c1[0] + t_size[0], c1[1] - t_size[1]
        cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA)  # filled
        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
        draw = ImageDraw.Draw(img)
        draw.text((c1[0], c2[1]), label, (0, 0, 0), font=font)
        # cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA)
        plt.imshow(img)
        plt.show()
        return cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR)

 

 为了保证多个标签时能都保存下来

　　detect.py文件，plot_one_box(xyxy, im0, ....) 修改为 im0 = plot_one_box(xyxy, im0, ...)

　　

plots.py文件，plot_one_box(box, mosaic,...) 修改为 mosaic = plot_one_box(box, mosaic,...)

　　

 

最后得到结果：

　　

 

完美！！！！！

小插曲：在修改中文标签的时候，想用matplotlib.pyplot.imshow()来打印图片，无奈老是不显示。查了很久才发现是matplotlib.get_backend是agg，而agg不支持GUI画图。但在terminal里运行print(matplotlib.get_backend())明明是QtAgg.后来又在程序里打印,仍然是agg。抓狂了很久后才发现，在plots.py中作者写了这句

 太坑了！！！手动改成matplotlib.use('Qt5Agg')，原码是matplotlib.use('Agg')。