手把书教你使用YOLOv9训练自己的数据集(附YOLOv9网络结构图)

挂科边缘(毕业版) 2024-08-20 13:37:02 阅读 87


文章目录

前言一、YOLOv9代码下载地址1.yolov9模型结构图

二、数据集准备1.数据集标注软件2.voc数据集格式转换3.数据集划分4.修改yolo的训练配置文件

三、YOLO环境配置教程1.pytorch环境安装2.其他依赖安装

四、训练文件修改总结


前言

YOLOv9通过研究数据传输时的信息丢失问题,提出了可编程梯度信息(PGI)和通用高效层聚合网络(GELAN)架构,提高了参数利用率和模型性能。与SOTA方法相比,GELAN仅使用传统卷积算子即可实现更好的参数利用率。PGI适用于从轻型到大型的各种模型,使从头开始训练的模型能够获得更好的结果。YOLOv9被评价为新的SOTA实时目标检测器。论文地址链接: YOLOv9论文


一、YOLOv9代码下载地址

官网的源码下载地址 :链接: link

官网打不开的话,从我的网盘下载就行,链接: 源码下载

提取码: eajp

1.yolov9模型结构图

根据yolov9.yaml画出yolo整体结构图,如下图所示

在这里插入图片描述

二、数据集准备

1.数据集标注软件

数据集使用标注软件标注好,我这里推荐两个标注软件,一个是labelimg,另外一个是labelme,可以在python环境,使用pip install labelimg或者pip install labelme进行安装,看你选择哪个标注工具标注了,我使用labelimg标注工具

安装完成在终端输入命令启动标注软件

在这里插入图片描述

下面是软件界面

在这里插入图片描述

设置自动保存标注生成的标注文件

在这里插入图片描述

2.voc数据集格式转换

标注格式如果选择VOC格式,后面需要代码转换格式,如果选择yolo格式就不用转换,voc格式转换yolo格式代码如下:

<code>import xml.etree.ElementTree as ET

import os, cv2

import numpy as np

from os import listdir

from os.path import join

classes = []

def convert(size, box):

dw = 1. / (size[0])

dh = 1. / (size[1])

x = (box[0] + box[1]) / 2.0 - 1

y = (box[2] + box[3]) / 2.0 - 1

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(xmlpath, xmlname):

with open(xmlpath, "r", encoding='utf-8') as in_file:code>

txtname = xmlname[:-4] + '.txt'

txtfile = os.path.join(txtpath, txtname)

tree = ET.parse(in_file)

root = tree.getroot()

filename = root.find('filename')

img = cv2.imdecode(np.fromfile('{}/{}.{}'.format(imgpath, xmlname[:-4], postfix), np.uint8), cv2.IMREAD_COLOR)

h, w = img.shape[:2]

res = []

for obj in root.iter('object'):

cls = obj.find('name').text

if cls not in classes:

classes.append(cls)

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)

res.append(str(cls_id) + " " + " ".join([str(a) for a in bb]))

if len(res) != 0:

with open(txtfile, 'w+') as f:

f.write('\n'.join(res))

if __name__ == "__main__":

postfix = 'png' # 图像后缀

imgpath = r'E:\A-毕业设计代做数据\helmet\test\images' # 图像文件路径

xmlpath = r'E:\A-毕业设计代做数据\helmet\test\annotations' # xml文件文件路径

txtpath = r'E:\A-毕业设计代做数据\helmet\test\labels' # 生成的txt文件路径

if not os.path.exists(txtpath):

os.makedirs(txtpath, exist_ok=True)

list = os.listdir(xmlpath)

error_file_list = []

for i in range(0, len(list)):

try:

path = os.path.join(xmlpath, list[i])

if ('.xml' in path) or ('.XML' in path):

convert_annotation(path, list[i])

print(f'file { list[i]} convert success.')

else:

print(f'file { list[i]} is not xml format.')

except Exception as e:

print(f'file { list[i]} convert error.')

print(f'error message:\n{ e}')

error_file_list.append(list[i])

print(f'this file convert failure\n{ error_file_list}')

print(f'Dataset Classes:{ classes}')

代码需要修改的地方如下:

1.postfix参数填图片的后缀,需要注意图片格式要统一,是png格式就写png,是jpg格式就写jpg

2.imgpath参数填图片所在的路径

3.xmlpath参数填标注文件的路径

4.txtpath参数填生成的yolo格式的文件

在这里插入图片描述

3.数据集划分

划分训练集和验证集代码如下:

<code>import os, shutil

from sklearn.model_selection import train_test_split

val_size = 0.2

#test_size = 0.2

postfix = 'jpg'

imgpath = r'E:\A-毕业设计代做数据\datasets\images'

txtpath = r'E:\A-毕业设计代做数据\datasets\labels'

output_train_img_folder =r'E:\A-毕业设计代做数据\datasets\dataset_kengwa/images/train'

output_val_img_folder = r'E:\A-毕业设计代做数据\datasets\dataset_kengwa/images/val'

output_train_txt_folder = r'E:\A-毕业设计代做数据\datasets\dataset_kengwa\labels/train'

output_val_txt_folder = r'E:\A-毕业设计代做数据\datasets\dataset_kengwa\labels/val'

os.makedirs(output_train_img_folder, exist_ok=True)

os.makedirs(output_val_img_folder, exist_ok=True)

os.makedirs(output_train_txt_folder, exist_ok=True)

os.makedirs(output_val_txt_folder, exist_ok=True)

listdir = [i for i in os.listdir(txtpath) if 'txt' in i]

train, val = train_test_split(listdir, test_size=val_size, shuffle=True, random_state=0)

#todo:需要test放开

# train, test = train_test_split(listdir, test_size=test_size, shuffle=True, random_state=0)

# train, val = train_test_split(train, test_size=val_size, shuffle=True, random_state=0)

for i in train:

img_source_path = os.path.join(imgpath, '{}.{}'.format(i[:-4], postfix))

txt_source_path = os.path.join(txtpath, i)

img_destination_path = os.path.join(output_train_img_folder, '{}.{}'.format(i[:-4], postfix))

txt_destination_path = os.path.join(output_train_txt_folder, i)

shutil.copy(img_source_path, img_destination_path)

shutil.copy(txt_source_path, txt_destination_path)

for i in val:

img_source_path = os.path.join(imgpath, '{}.{}'.format(i[:-4], postfix))

txt_source_path = os.path.join(txtpath, i)

img_destination_path = os.path.join(output_val_img_folder, '{}.{}'.format(i[:-4], postfix))

txt_destination_path = os.path.join(output_val_txt_folder, i)

shutil.copy(img_source_path, img_destination_path)

shutil.copy(txt_source_path, txt_destination_path)

#

# for i in train:

# shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/images/train/{}.{}'.format(i[:-4], postfix))

# shutil.copy('{}/{}'.format(txtpath, i), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/labels/train/{}'.format(i))

#

# for i in val:

# shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/images/val/{}.{}'.format(i[:-4], postfix))

# shutil.copy('{}/{}'.format(txtpath, i), r'E:\1-cheng\4-yolo-dataset-daizuo\multi-classify\bird-boat-horse-aeroplane-sheep\dataset20231219/labels/val/{}'.format(i))

#todo:需要test则放开

# for i in test:

# shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), 'images/test/{}.{}'.format(i[:-4], postfix))

# shutil.copy('{}/{}'.format(txtpath, i), 'labels/test/{}'.format(i))

需要修改的地方如下

在这里插入图片描述

下面四个参数只需在自己电脑任意位置新建一个文件夹就行,用于存放生成的训练集和验证集,比如新建一个文件夹叫dataset_kengwa,后面的路径不用动,如下图左边的框出来的路径覆盖成你的就行

在这里插入图片描述

数据集有以下两种方式放置,都可以进行训练,常见的数据集放置是第一种,也有开源的数据集按照第二种方式放置的,我都遇见过,也能训练起来

在这里插入图片描述

4.修改yolo的训练配置文件

我们需要在项目下创建一个data.yaml的文件,文件名根据数据集名称取,我这里方便演示直接叫data.yaml,如下图所示

在这里插入图片描述

代码如下:

<code>train: E:\Desktop\new-yolov9\yolotest\images\train # train images (relative to 'path') 4 images

val: E:\Desktop\new-yolov9\yolotest\images\val # val images (relative to 'path') 4 images

nc: 2

# class names

names: ['dog','cat']


三、YOLO环境配置教程

YOLOv9/YOLOv8/YOLOv7/YOLOv5环境都是通用的,只需要安装一次就行

1.pytorch环境安装

手把书安装教程链接参考:链接: link

2.其他依赖安装

安装requirements.txt文件的环境,需要注释掉下面两行,前面的步骤已经安装了,不注释的话会覆盖前面的会安装最新版本的pytorch,所以注释掉

在这里插入图片描述

手把书安装教程链接参考:链接: link


四、训练文件修改

在项目里找到train_dual.py文件,

1.在’–weights参数的defaut处设置为’weights/volov9-c.pt,

2.在’–cfg’参数的defaut处设置为’models/detect

yolov9-c.yam",

3.在’–data’参数的efault处设置为前面所创建的data.yam|文件的路径。

4.‘–hyp’参数可以默认

4.’–epochs’中的参数设置为100,表示需经过100轮训练。

5.'–batch-size’表示一次训练所抓取的数据样本数量,其大小影响训练速度和模型优化,此处将其参数设置为4,根据自己电脑性能设置大一些也是可以的

圈出来的参数是常用的参数,需要注意的是’–weights参数可以留空,就是不需要权重,从头训练,一般做科研改进工作时候可以不用预训练权重

在这里插入图片描述

device=‘cpu’,参数意思是:你电脑是GPU你就填0,CPU就填cpu,GPU是有英伟达显卡的电脑使用的,如果没有英伟达显卡训练非常慢,因为我电脑没有英伟达显卡,这里训练只用了几张数据集进行测试,你们也可以租云服务器训练,方法都是一样的,后期有空会出一起环境配置视频,我以前的作品也有环境配置教程的,你们可以翻一下看看

修改完直接鼠标右击运行就行

在这里插入图片描述

总结

YOLOv9训练自己数据集到此结束,后期出一期推理的教程,有问题可以留言,创作不易,请帮忙点个爱心呗,谢谢



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。