目录

一、数据标注

1.标注工具的下载

2.标注工具的使用

二、json转化为txt

三、YOLOv3的使用

1.数据

2.classes.names文件的创建

3.config中的yolo文件配置信息

4.config中coco文件配置信息

5.配置训练参数

6.其他

---

接上文，YOLOv3

使用yolo进行目标检测，收集数据集之后我们还要对数据集进行标注得到json文件，然后转化为txt文件。

一、数据标注

1.标注工具的下载

数据标注所需要的工具：下载以下第三方库

第三方库下载过程中可能会出现一些问题，比如labelme回车不能启动。

不能启动的同时会给出错误理由，可以根据大模型自行解决。

2.标注工具的使用

输入回车后弹出一个窗口

这个窗口就是我们进行图片数据标注的界面。

如果我们要进行一个猫狗检测的项目，收集了很多猫狗的图片那么就要对数据集图片进行猫狗的标注。

点击open打开图片，就会显示我们所点击的图片。就可以进行数据标注了

但一般情况下进行数据标注是需要标注很多图片。点开opendir就可以选择含有数据的文件夹，会自动读取到所有图片文件，箭头可以切换到上一张或者下一张图片。

右击图片会有选项，不同选项对应着标注使用不同的框，可以自行尝试

我们选择适合本次标注的框，rectangle，矩形框。输入该标注的类别，也就是dog点击确定，同样也标注上cat

标注完之后可以把标注好的信息保存在自定义的文件夹下

就会得到json为后缀的文件，进行训练的时候我们需要的是txt文件，所以还需要把json文件转化为txt文件

二、json转化为txt

转化代码：

1.首先要注意类别，在标注的时候会有label list。顺序不能混乱，要对应。

例如：

2.txtname中的txt保存路径需要修改为自己的，也就是我们转化的txt文件所在的文件夹

3.标注的时候我们使用的是rectangle，所以shape_type要对应

4.主程序中json_floder_path是我们存放json文件的文件夹

import json
import os
name2id = { 'dog':0, 'cat':1}#有多少个类别,在字典中就写多少个对应的就可以

def convert(img_size, box):
    dw = 1./ (img_size[0])
    dh = 1./(img_size[1])
    x = (box[0] + box[2])/2.0 - 1
    y = (box[1] + box[3])/2.0 - 1
    w = box[2]- box[0]
    h = box[3] - box[1]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def decode_json(json_floder_path,json_name ) :
    #转换好的标签路径,建议保存在data\custom\labels中
    # txt_name = r'data\\custom2\\labels\\' + json_name[0:-5] + '.txt'
    txt_name = r'data\\custom2\\labels\\' + json_name[0:-5] + '.txt'
    txt_file = open(txt_name,'w')
    json_path = os.path.join(json_floder_path, json_name)
    data = json.load(open(json_path, 'r'))
    img_w = data[ 'imageWidth' ]
    img_h = data[ 'imageHeight' ]
    for i in data[ 'shapes']:
        label_name = i['label']
        if ( i['shape_type' ] == 'rectangle' ):
            x1 = int(i['points'][0][0])
            y1 = int(i['points'][0][1])
            x2 = int(i['points'][1][0])
            y2 = int(i['points'][1][1])
            bb = (x1,y1,x2,y2)
            bbox = convert((img_w,img_h),bb)
            txt_file.write(str(name2id[label_name]) + " " +" ".join([str(a) for a in bbox]) + '\n')
    txt_file.close()
if __name__ == "__main__" :
    json_floder_path = './label2'
    json_names = os.listdir(json_floder_path)
    for json_name in json_names:
        decode_json(json_floder_path,json_name)

yolo目标检测所需要的就是图片数据集合对应的txt文件。

三、YOLOv3的改进

yolov3的网络结构有很大的改进，v2时所用的是darknet19，而到v3的时候darknet53+残差结构residual，物体检测更精确。

YOLOv3 核心进步：多尺度检测 + 更深网络，彻底解决了 v1/v2 小物体差、精度低的问题；

YOLOv3 最大短板：速度牺牲、算力需求高，定位精度和超小物体检测仍有优化空间；

它是YOLO 系列的里程碑，奠定了后面所有 YOLO 版本的基础架构。

四、YOLOv3的相关配置的修改

例：猫狗目标检测训练

yolo是一个框架，可以在github网站内下载v3，文件：PyTorch-YOLOv3_myself_data.rar
链接: https://pan.baidu.com/s/1mqwMkiFEXfmrDUcKs4IToA?pwd=r7j8 提取码: r7j8

1.数据

把图片放在data文件下下自建 的custom2文件夹。images是图片，train是训练集图片，val是验证集图片；labels用来存放生成的txt文件train是训练集txt，val是验证集txt

2.classes.names文件的创建

在data文件夹custom2下，和images和labels同级创建一个文本文件，编辑我们类别的标签，顺序严格对应，输入最后一个类别之后一定要回车留出空白一行

此外我们需要把训练集和测试集图片的路径生成文本，也就是这里的train.txt和valid.txt，注意路径中不要有中文。

图片的格式会有很多种，比如jpg，png等，这些情况都要考虑到

import os
# 把这里改成你的图片文件夹路径！
image_dir = r"D:\learn\YOLOs\PyTorch-YOLOv3_myself_data\PyTorch-YOLOv3_myself_data\data\custom2\images\val"#train
# 保存的 train.txt 会生成在 代码所在文件夹
save_txt = r"D:\learn\YOLOs\PyTorch-YOLOv3_myself_data\PyTorch-YOLOv3_myself_data\data\custom2\valid.txt"#train
# 支持的图片格式（你可以自己加）
img_suffix = [".jpg", ".jpeg", ".png", ".bmp", ".webp"]
with open(save_txt, "w", encoding="utf-8") as f:
    # 遍历文件夹里所有文件
    for filename in os.listdir(image_dir):
        # 判断是不是图片
        if any(filename.endswith(suf) for suf in img_suffix):
            # 拼接完整路径
            img_path = os.path.join(image_dir, filename)
            # 写入 txt
            f.write(img_path + "\n")
print(f"生成成功！ 已保存，共 {len(os.listdir(image_dir))} 张图片")

如果我们收集的图片中有各种格式，还需要改一处代码

找到utils文件夹中的dataset.py文件，找到对应代码行，把所有图片文件格式全部都添加上以防后续图片格式不同而出错。

3.config中的yolo文件配置信息

找到三层yolo层，把类别这里改成我们项目的类别个数，这里是猫狗目标检测，那么就为2。可以不修改这个原yolo文件复制一份修改

4.config中coco文件配置信息

在config文件下有一个coco文件，同样可以先复制一份自定义文件名

custom2就是我自定义的文件名，这个文件里面写的是类别个数，图片数据集的路径，以及classes.names文件的路径

5.配置训练参数

打开train.py文件右击配置参数，这里根据自己的路径进行修改。

全部的参数及参数含义

6.其他

checkpoints中是我们训练每一轮的数据

weights是权重文件，在配置训练文件参数时可设置

detect.py是检测识别，也需要配置相关参数

v3没有数据增强，所以这个文件里面只有一个图片翻转

除了以上操作，还会出现其他我们需要解决的问题，比如说第三方库的安装，都会遇到问题，可以结合大模型自行解决。