一.準備資料集

這位博主那里有labelimg軟體包，以及軟體的使用指南，

由于默認情況下輸出的是VOC資料集，說人話就是說你標完生成的是.xml格式的檔案，但是我們訓練要用的是yolo的.txt格式，所以接下來講述兩種方法訓練資料集，

1.在labelimg下直接生成yolo的.txt格式

將默認生成VOC檔案改為yolo，再進行標注，最后你標注生成的就是.txt格式的檔案，訓練就可以直接用了，見下圖，很簡單吧，我學長和我說的時候我都傻了，那我們為什么要費死勁搞什么xml，然后訓練還不能直接用，煩死人了！！！那如果你和我一樣已經標注完了并且資料集超級無敵巨多的話，咱們就接著往下看吧，看看是怎么轉換的呢，

2.Pytorch版批量.xml格式轉yolo的.txt格式

建議最好準備兩個yolov5檔案，一個命名為yolov5專門跑程式，另一個設定成yolov5-master專門用來轉換，

1. 設定檔案夾
   在data檔案夾下新建這三個檔案夾，其中Annotations下存放.xml檔案，images下存放圖片，并在ImageSets里面新建一個Main檔案夾，到此準備作業已完成，（在跑完ss.py時會在Main檔案夾下生成train.txt和test.txt，跑完voc_labels.py會在data檔案夾下生成labels，所以別著急我們慢慢來！）

2. ss.py生成train.txt和test.py
   ss.py是我隨便起的，在大家自己能記住的前提下隨便起名字，代碼如下，如果和我檔案夾設定的名稱一樣，大家直接復制執行就ok，執行后你會發現Main檔案夾下生成train.txt和test.txt就是正確的，

import os
import random

trainval_percent = 0.2  # 可自行進行調節
train_percent = 1
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

# ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
# fval = open('ImageSets/Main/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        # ftrainval.write(name)
        if i in train:
            ftest.write(name)
        # else:
        # fval.write(name)
    else:
        ftrain.write(name)

# ftrainval.close()
ftrain.close()
# fval.close()
ftest.close()

3. voc_labels.py生成標簽
   這里只需改一個地方就是自己訓練的類別名稱，剩下保持不動執行就會生成標簽檔案labels，到此格式轉換完結！

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets = ['train', 'test']

classes = ['scallop']  # 自己訓練的類別


def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    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(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id))
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        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)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

3.資料集制作

資料集我們只要圖片以及對應生成的labels
資料集隨意新建在哪里都可以，
首先我們新建一個datesets檔案夾，在里面新建train和val兩個檔案夾，
在train和val下分別新建images和labels兩個檔案夾，其中images放入圖片，labels放入我們標注的標簽，
如果你和我一樣是轉化得到的txt檔案，你就可以直接復制生成的labels檔案夾到train和val下，不知我說沒說清楚，


注：這里面valid和val一樣不影響，但是我看我學長寫的是valid我就緊跟隨！

二.Yolov5實作訓練

1.修改兩個.yaml檔案

1.在data檔案夾下新建一個yaml檔案，隨便起名，他的作用和coco.yaml一個道理，說人話就是沒有他訓練就找不到資料集位置，也就是說他是一個存放輸入資料的入口地址的檔案，

train: D:/try/datesets/train/images  #路徑改成自己的
val: D:/try/datesets/valid/images    #路徑改成自己的
nc: 1
names: ['scallop']

2.在model檔案夾下修改yolov5s.yaml檔案
這里就把類別數改了就可以，其余的不要動，

nc: 1  # 類別數

2.修改train.py檔案

如果怕錯就把data/data.yaml內個data.yaml檔案名改成自己設的就可以了！

parser.add_argument('--epochs', type=int, default=200)  # 訓練的epoch
parser.add_argument('--batch-size', type=int, default=16)  # batch_size 顯卡垃圾的話，就調小點
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='*.cfg path')
parser.add_argument('--data', type=str, default='data/data.yaml', help='*.data path')  #這里需要改成你之前自己在data下新建的內個yaml檔案
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='train,test sizes')

3.執行train.py

打開Terminal執行代碼：

python train.py --img 640 --batch 8 --epoch 300 --data ./data/data.yaml --cfg ./models/yolov5s.yaml --weights weights/yolov5s.pt

注意代碼中檔案的路徑是否正確
注意命令中檔案的路徑是否正確
注意檔案的名稱是否與代碼和命令中的對應，例data不是date，datesets不是datasets！！！
注意不該改的代碼不要動，壞了咱賠不起！！！
注意不要隨便亂刪空格，尤其的包含路徑的空格！！！

到此.xml格式批量轉yolo的.txt格式以及yolov5在Pytorch下實作訓練圓滿結束!
歡迎小伙伴們在評論區對我進行錯誤更正，你要是對，我必改并稱你為大哥！