Skip to content

Latest commit

 

History

History
91 lines (57 loc) · 3.29 KB

UseProcess.md

File metadata and controls

91 lines (57 loc) · 3.29 KB
Raw

使用流程：

（0）数据拍摄采集（可选）

dataCollect为数据采集而生。

默认情况采集的图片满足图片分类任务，更可以延申到目标检测和物体分割等图像数据的采集中！

（1）数据初始化

这里我们将拍摄好的分类的数据统一复制或者剪切到放入到datasets/JPEGImages中。如果数据图像的名称杂乱，可以使用tools/rename.bat工具（双击即可）

对于rename.bat中命名方式的修改（rename.bat第3行）：

命名从01开始，设置
set count=100

命名从0001开始，设置
set count=10000

如果我们想要从038开始排序，可以将第三行代码：
set count=10037

更全面准确的数据集分析：DataAnalysis.md

（2）数据大小重置（可选）

在yolov5的训练中通常不需要将数据的大小重置为同样的大小，如果有需要去重置图片大小。可以使用imgResize。

（3）数据离线增强（可选）

imgAug单张或者批量数据增强工具。

yolov5在模型训练阶段拥有大量的数据增强操作，离线数据增强可以忽略！

（4）数据标注

通常我们需要的软件是labelimg软件，它是一个开源的可以允许目标检测标注的工具。在这里我还编译提供了labelimg-plus解决了原有labelimg路径中或者标签中含有中文报错的问题。

标注教程：数据集制作（LabelImg工具讲解）

如果你拿到了别人标注好的数据，而你又不确定标注是否正确，你可以：【1】利用labelimg重新做检查；【2】利用tools/show_bbox.py去查看标注效果。

（5）标注不对应清除（可选）

标注完成后：

datasets
    ├─Annotations
    └─JPEGImages

为了确保Annotations和JPEGImages数量对应，我们可以去用tools/clear_xml_img.bat

在JPEGImages中是数据图像文件；在Annotations是对应JPEGImages一样数量 的xml标注文件。

（6）数据格式转化

  1. 修改tools/voc_to_yolo.py第8行标签内容为labelimg的data/predefined_classes.txt中的顺序 标签。
  2. 修改tools/split_trainTestVal.py第43行的jpg为你的图像数据格式，例如png。（如果你不希望这么做，你也可以在**（1）数据** 初始化之后利用tools/trans_img_suffix.py转化图像数据后缀）
  3. 修改tools/remove_all_data.py的第61-69行，小数据建议：copy操作，大数据建议：move操作。
  4. 执行data_sorting.bat。

注意：我们需要在data文件夹下新建一个data.yaml：

train: ./dataset/train/images
val: ./dataset/valid/images
test: ./dataset/test/images

nc: 5 # 修改你的物体类别数
names: ['bag','cup','key','phone','wallet'] # # 修改你的物体标签列表

（7）数据图像扩充（可选）

mixImg项目为数据增广的优秀方式，最适合小目标扩增。

（8）半自动标注（可选）

autoLabel半自动标注工具，加速标注。