这篇博文介绍一下YOLOv5自带的一个生成标签的方式
    
    
    
，前提是有一个已经训练好的权重！！    1    
    
    
、权重可以来自官方提供的     


     


     


，比如v5的权重包含80类别 




 




 




 ，如果包含了你要训练的类别

   

   

   
，就可以用官方权重去打标签；2 


     


     


     、或者你的数据集打好一部分标签     

     

     

，自己先训练出一个权重  




  




  




 ，用训练出的权重去检测剩下的图片


  


  


  
，生成标签文件等等    
    
    
。

目录

1

 




 




 



、利用现有的权重去检测图片     
     
     
，得到标签文件

1.1修改相应参数

 2   

   

   

、对生成的标签文件使用IableImg进行微调

 3  

     

     

    、将所有标签微调好了后   




   




   




 ，下面是对数据进行划分 


     


     


     。

1


  




  




  


、利用现有的权重去检测图片



 



 



 
，得到标签文件

    找到YOLOv5的detect.py文件               ，以我下面检测行人为例    




    




    




 ，可以去官网下载YOLOv5X.pt















，因为官方权重包括行人类               ，所有可以直接使用     



     



     



 ，这里建议下载最大的














，因为检测精度高

 




 




 



。

1.1修改相应参数

  1  


  


  


、参数save-txt的末尾添加default = True
    
    
    
，这个参数就是保存检测的标签文件   

   

   

。

parser.add_argument(--save-txt, action=store_true, help=save results to *.txt,default=True)

  2   
     
     
   、参数nosave的的末尾添加default = True     


     


     


，这个参数是是否保存检测后图片 




 




 




 ，设置不保存  

     

     

    。

parser.add_argument(--nosave, action=store_true, help=do not save images/videos,default=True)

  3



   




   




   

、然后官网权重是80类别

   

   

   
，我现在只想检测行人     

     

     

，可以在pycharm的Termina运行该detect.py

时加上--classes 0,就是只检测行人这个类


  




  




  


。

python detect.py --classes 0

   4 



 



 



、接下来去找刚才的运行结果  




  




  




 ，一般默认保存在run/detect/文件夹下


  


  


  
，存在一个labels文件     
     
     
，就是我们需要的标签文件  


  


  


。

 2                、对生成的标签文件使用IableImg进行微调

  1




    




    




    
、因为用初始权重得到的标签的坐标框信息可能存在一些误差   




   




   




 ，所以还需要进行手动微调



 



 



 
，哈哈               ，是不是又回到了最开始的打标签的时候    




    




    




 ，这样其实已经能节约很多时间了   
     
     
   。

  2














、将最开始测试图片和得到的labels文件夹放在一起















，使用labelImg打开该文件夹



   




   




   

。

打开labelImg之前               ，先在labels文件夹下手动创建一个classes.txt文件     



     



     



 ，里面写上你的类别名称














，防止labelImg的闪退 



 



 



。

  3                、设置打开的图片文件夹
    
    
    
，设置保存标签的文件夹     


     


     


，如下图

   完成图片中1,2步后 




 




 




 ，第3步双击右侧图片

   

   

   
，即可对框进行修改                。

  4



     



     



     、打开自动保存功能     

     

     

，如下图

 3















、将所有标签微调好了后  




  




  




 ，下面是对数据进行划分




    




    




    
。

   1    
    
    
、这里提供一个将数据划分为如下格式的脚本


  


  


  
，也能用于v5的训练














。图片如下

   2 


     


     


     、脚本如下：只需要改main函数中     
     
     
，文件路径

 




 




 



、rate比列（训练集   




   




   




 ，验证集比列）                。

import os import random import re import shutil def creat_files(): try: shutil.rmtree(./data//images) shutil.rmtree(./data/labels) except: pass try: os.makedirs(./data/images/train) os.makedirs(./data/images/val) os.makedirs(./data/labels/train) os.makedirs(./data/labels/val) except: pass def read_files(path): dir_list = os.listdir(path) for i in dir_list: #利用正则表达



 



 



 
，切割出图片ID image_id = re.match(r(.*)?.(jpg|png),i).group(1)#图片后缀为jpg               ，png,可自行添加后缀格式 labels_name = image_id+.txt #由图片ID找到对应标签名 prob = random.randint(1, 100)#随机数prob if (prob < rate): # train dataset old_images_path = path_images + / + i new_images_path = ./data/images/train + / + i old_labels_path = path_labels + /+ labels_name new_labels_path = ./data/labels/train + / + labels_name shutil.copy(old_images_path, new_images_path) shutil.copy(old_labels_path, new_labels_path) else: # val dataset old_images_path = path_images + / + i new_images_path = ./data/images/val + / + i old_labels_path = path_labels + / + labels_name new_labels_path = ./data/labels/val + / + labels_name shutil.copy(old_images_path, new_images_path) shutil.copy(old_labels_path, new_labels_path) if __name__ == __main__: path_images = ./images #图片的路径 path_labels = ./labels #标签路径 rate = 90 # （1-100）之间    




    




    




 ，90即练集与验证集比例9:1















，可以改成自己喜欢的比例 creat_files() read_files(path_images)

   3   

   

   

、运行脚本会在代码根目录生成一个data文件               ，里面划分好数据     



     



     



 ，如下：

    4  

     

     

    、可以直接把这个data文件夹剪切到YOLOv5中进行训练了



     



     



     。