【保姆级教程】YOLOv8_OBB旋转目标检测：训练自己的数据集

阅读量：

逐步说明
环境准备

安装YOLOV8代码：通过克隆GitHub仓库并配置环境变量进行安装。

配置数据路径：设置data.py文件，指定数据集根目录、训练集和验证集路径。

安装并配置工具：安装LabelImg用于标注数据，并按照步骤完成数据转换。
数据准备

安装并使用roLabelImg标注工具进行数据标注。

转换数据格式：使用自定义脚本将XML标签格式转换为Dota格式，并使用YOLOv8的标签转换工具进一步处理。

生成训练数据：在data/labels/目录下生成训练和验证标签文件。
配置文件设置

创建my-data8-obb.yaml配置文件：指定数据集路径、训练集和验证集数据路径及类别信息。

修改预训练配置文件：更新yolov8-obb.yaml文件，确保模型适应数据集需求。
训练

下载预训练权重：从GitHub下载YOLOv8预训练权重文件。

执行训练命令：使用YOLO训练脚本，配置训练参数并开始训练过程。
验证

加载训练结果：加载训练后的最佳权重文件。

执行验证命令：使用验证数据集评估模型性能，输出验证结果。
推理

加载训练好的模型：加载最佳权重文件。

运行推理：使用测试图像进行推理，输出预测结果并可视化。

一、YOLOV8环境准备

1.1 下载安装最新的YOLOv8代码

复制代码

     仓库地址： https://github.com/ultralytics/ultralytics

1.2 配置环境

复制代码

      pip install pyproject.dependencies https://pypi.tuna.tsinghua.edu.cn/simple

二、数据准备

2.1 安装roLabelImg标注软件（注：安装前需确保已安装labelImg标注工具）软件

2.1.1 拉取roLabelImg源码

复制代码

     仓库地址：https://github.com/cgvict/roLabelImg

2.1.2 打开roLabelImg软件

步骤一：先使用Anaconda Prompt启动labeme标注工具

步骤二：然后，运行2.1.1节中roLabelImg文件下的roLabelImg.py文件

打开的roLabelImg标注软件界面如下：

2.2 标注自己的数据

2.3 数据转换

2.3.1 运行下面代码，将xml标签格式转为txt标签格式

复制代码

    # 文件名称   ：roxml_to_dota.py
    # 功能描述   ：把rolabelimg标注的xml文件转换成dota能识别的xml文件，
    #             再转换成dota格式的txt文件
    #            把旋转框 cx,cy,w,h,angle，或者矩形框cx,cy,w,h,转换成四点坐标x1,y1,x2,y2,x3,y3,x4,y4
    import os
    import xml.etree.ElementTree as ET
    import math
     
    cls_list = ['zebracrossing']  #修改为自己的标签
     
     
    def edit_xml(xml_file, dotaxml_file):
    """
    修改xml文件
    :param xml_file:xml文件的路径
    :return:
    """
     
    # dxml_file = open(xml_file,encoding='gbk')
    # tree = ET.parse(dxml_file).getroot()
     
    tree = ET.parse(xml_file)
    objs = tree.findall('object')
    for ix, obj in enumerate(objs):
        x0 = ET.Element("x0")  # 创建节点
        y0 = ET.Element("y0")
        x1 = ET.Element("x1")
        y1 = ET.Element("y1")
        x2 = ET.Element("x2")
        y2 = ET.Element("y2")
        x3 = ET.Element("x3")
        y3 = ET.Element("y3")
        # obj_type = obj.find('bndbox')
        # type = obj_type.text
        # print(xml_file)
     
        if (obj.find('robndbox') == None):
            obj_bnd = obj.find('bndbox')
            obj_xmin = obj_bnd.find('xmin')
            obj_ymin = obj_bnd.find('ymin')
            obj_xmax = obj_bnd.find('xmax')
            obj_ymax = obj_bnd.find('ymax')
            # 以防有负值坐标
            xmin = max(float(obj_xmin.text), 0)
            ymin = max(float(obj_ymin.text), 0)
            xmax = max(float(obj_xmax.text), 0)
            ymax = max(float(obj_ymax.text), 0)
            obj_bnd.remove(obj_xmin)  # 删除节点
            obj_bnd.remove(obj_ymin)
            obj_bnd.remove(obj_xmax)
            obj_bnd.remove(obj_ymax)
            x0.text = str(xmin)
            y0.text = str(ymax)
            x1.text = str(xmax)
            y1.text = str(ymax)
            x2.text = str(xmax)
            y2.text = str(ymin)
            x3.text = str(xmin)
            y3.text = str(ymin)
        else:
            obj_bnd = obj.find('robndbox')
            obj_bnd.tag = 'bndbox'  # 修改节点名
            obj_cx = obj_bnd.find('cx')
            obj_cy = obj_bnd.find('cy')
            obj_w = obj_bnd.find('w')
            obj_h = obj_bnd.find('h')
            obj_angle = obj_bnd.find('angle')
            cx = float(obj_cx.text)
            cy = float(obj_cy.text)
            w = float(obj_w.text)
            h = float(obj_h.text)
            angle = float(obj_angle.text)
            obj_bnd.remove(obj_cx)  # 删除节点
            obj_bnd.remove(obj_cy)
            obj_bnd.remove(obj_w)
            obj_bnd.remove(obj_h)
            obj_bnd.remove(obj_angle)
     
            x0.text, y0.text = rotatePoint(cx, cy, cx - w / 2, cy - h / 2, -angle)
            x1.text, y1.text = rotatePoint(cx, cy, cx + w / 2, cy - h / 2, -angle)
            x2.text, y2.text = rotatePoint(cx, cy, cx + w / 2, cy + h / 2, -angle)
            x3.text, y3.text = rotatePoint(cx, cy, cx - w / 2, cy + h / 2, -angle)
     
        # obj.remove(obj_type)  # 删除节点
        obj_bnd.append(x0)  # 新增节点
        obj_bnd.append(y0)
        obj_bnd.append(x1)
        obj_bnd.append(y1)
        obj_bnd.append(x2)
        obj_bnd.append(y2)
        obj_bnd.append(x3)
        obj_bnd.append(y3)
     
        tree.write(dotaxml_file, method='xml', encoding='utf-8')  # 更新xml文件
     
     
    # 转换成四点坐标
    def rotatePoint(xc, yc, xp, yp, theta):
    xoff = xp - xc;
    yoff = yp - yc;
    cosTheta = math.cos(theta)
    sinTheta = math.sin(theta)
    pResx = cosTheta * xoff + sinTheta * yoff
    pResy = - sinTheta * xoff + cosTheta * yoff
    return str(int(xc + pResx)), str(int(yc + pResy))
     
     
    def totxt(xml_path, out_path):
    # 想要生成的txt文件保存的路径，这里可以自己修改
     
    files = os.listdir(xml_path)
    i = 0
    for file in files:
     
        tree = ET.parse(xml_path + os.sep + file)
        root = tree.getroot()
     
        name = file.split('.')[0]
     
        output = out_path + '\ ' + name + '.txt'
        file = open(output, 'w')
        i = i + 1
        objs = tree.findall('object')
        for obj in objs:
            cls = obj.find('name').text
            box = obj.find('bndbox')
            x0 = int(float(box.find('x0').text))
            y0 = int(float(box.find('y0').text))
            x1 = int(float(box.find('x1').text))
            y1 = int(float(box.find('y1').text))
            x2 = int(float(box.find('x2').text))
            y2 = int(float(box.find('y2').text))
            x3 = int(float(box.find('x3').text))
            y3 = int(float(box.find('y3').text))
            if x0 < 0:
                x0 = 0
            if x1 < 0:
                x1 = 0
            if x2 < 0:
                x2 = 0
            if x3 < 0:
                x3 = 0
            if y0 < 0:
                y0 = 0
            if y1 < 0:
                y1 = 0
            if y2 < 0:
                y2 = 0
            if y3 < 0:
                y3 = 0
            for cls_index, cls_name in enumerate(cls_list):
                if cls == cls_name:
                    file.write("{} {} {} {} {} {} {} {} {} {}\n".format(x0, y0, x1, y1, x2, y2, x3, y3, cls, cls_index))
        file.close()
        # print(output)
        print(i)
     
     
    if __name__ == '__main__':
    # -----**** 第一步：把xml文件统一转换成旋转框的xml文件 ****-----
    roxml_path = r'D:\data\yolov8_obb\xml'
    dotaxml_path = r'D:\data\yolov8_obb\xml'
    out_path = r'D:\data\yolov8_obb\xml'
    filelist = os.listdir(roxml_path)
    for file in filelist:
        edit_xml(os.path.join(roxml_path, file), os.path.join(dotaxml_path, file))
     
    # -----**** 第二步：把旋转框xml文件转换成txt格式 ****-----
    totxt(dotaxml_path, out_path)

运行上面代码，就可以获得TXT格式标签文件

2.3.2 使用YOLOv8的标签转换工具

在项目代码根目录中创建指定的文件夹，并将图片和标签文件放置在对应的文件夹内：

因为官方源码的数据转换代码采用了VOC数据集，我们需要调整类别名称，更换为自己的数据集类别。修改ultralytics/ultralyticsdata/converter.py文件中的代码：

步骤三：运行下面的代码

复制代码

    import sys
     
    sys.path.append('D:/study/cnn/yolo/ultralytics')
     
    from ultralytics.data.converter import convert_dota_to_yolo_obb
    convert_dota_to_yolo_obb('D:/study/cnn/yolo/ultralytics/data')

有评论区的用户反映，当尝试生成转换后的txt标签时，可能出现无法完成的情况。为此，需要仔细检查ultralytics/data/converter.py文件中第416行的代码，以确定图片数据的格式是否为png或jpg。如果实际的图片格式与代码中指定的格式不一致，则可能导致标签无法生成。

运行后，该系统会在data/labels/文件夹中生成训练集和验证集文件夹，并产出经过转换的标签文件。

三、配置文件设置

3.1 新建my-data8-obb.yaml

ultralytics\ultralytics\cfg\datasets路径下，创建my-data8-obb.yaml:

复制代码

    path: D:/study/cnn/yolo/ultralytics/data # dataset root dir
    train: images/train # train images (relative to 'path') 4 images
    val: images/val # val images (relative to 'path') 4 images
    
    # Classes for DOTA 1.0
    names:
      0: zebracrossing

3.2 修改yolov8-obb.yaml

ultralytics\ultralytics\cfg\models\v8路径下，修改yolov8-obb.yaml：

四、训练

4.1 下载预训练权重

在YOLOv8 github上下载预训练权重：

4.2 训练

步骤一：调整ultralytics\ultralytics\cfg\default.yaml文件中的训练参数，以满足实际需求（根据具体情况确定参数调整方向和幅度）
步骤二：运行以下代码块以完成配置设置

复制代码

    from ultralytics import YOLO
    
    # Load a model
    model = YOLO('weights/yolov8n-obb.pt')  # load a pretrained model (recommended for training)
    
    # Train the model
    results = model.train(data='D:/study/cnn/yolo/ultralytics/ultralytics/cfg/datasets/my-data8-obb.yaml', epochs=100, imgsz=640)

五、验证

复制代码

    from ultralytics import YOLO
     
    def main():
    model = YOLO(r'runs/obb/train/weights/best.pt')
    model.val(data='dota8-obb.yaml', imgsz=1024, batch=4, workers=4)
    if __name__ == '__main__':
    main()

六、推理

复制代码

    from ultralytics import YOLO
    
    model = YOLO('D:/study/cnn/yolo/ultralytics/runs/obb/train5/weights/best.pt')
    results = model('D:/study/cnn/yolo/ultralytics/data/images/train/1.png', save=True)
    print(results[0].obb.xywhr[:,-1]*180/3.1415)

全部评论 (0)

还没有任何评论哟~

【保姆级教程】YOLOv8_OBB旋转目标检测：训练自己的数据集

一、YOLOV8环境准备 1.1下载安装最新的YOLOv8代码仓库地址：https://github.com/ultralytics/ultralytics 1.2配置环境 pipinstallpy...

【保姆级教程】YOLOv8_OBB旋转目标检测：训练自己的数据集(2)

一、YOLOV8环境准备 1.1下载安装最新的YOLOv8代码仓库地址：https://github.com/ultralytics/ultralytics 1.2配置环境 pipinstallpy...

【保姆级教程】YOLOv8_Det目标检测：训练自己的数据集

一、YOLOV8环境准备 1.1下载安装最新的YOLOv8代码仓库地址：https://github.com/ultralytics/ultralytics 1.2配置环境 pipinstallrr...

【保姆级教程】YOLOv8_Pose多目标+关键点检测：训练自己的数据集

Yolov8官方给出的是单类别的人体姿态关键点检测，本文将记录如果实现训练自己的多类别的关键点检测。一、YOLOV8环境准备 1.1下载安装最新的YOLOv8代码仓库地址：https://gith...

【保姆级教程】YOLOv8_Pose多目标+关键点检测：训练自己的数据集 (2)

【目标检测】2024最新-用YOLOv8训练自己的数据集（保姆级教学）

本文章主要方便大家学会如何使用yolov8训练自己数据集得到识别模型，跟着步骤一步一步来基本没有问题，我用的IDE是Pycharm2024.1，包含如何加载conda环境

【目标检测】基于yolov4训练自己的数据集(附代码和数据集，保姆级教程)

写在前面：首先感谢兄弟们的关注和订阅，让我有创作的动力，在创作过程我会尽最大能力，保证作品的质量，如果有问题，可以私信我，让我们携手共进，共创辉煌。（专栏订阅用户订阅专栏后免费提供数据集和源码一份，...

YOLOv8-OBB 旋转目标检测训练自己的数据

数据集制作标注工具：XAnyLabeling https://github.com/CVHub520/XAnyLabeling 下载链接：https://pan.baidu.com/s/1UsnDu...

Yolov5训练自己的数据【保姆级教程】

首先，去Github官网搜索yolov5 <https://github.com/ultralytics/yolov5 下载yolov5的模型，将其解压进自己的计算机，进入终端，到v5文件所在的文件里...

【保姆级教程】YOLOv8_Cls图像分类：训练自己的数据集

一、YOLOV8环境准备 1.1下载安装最新的YOLOv8代码仓库地址：https://github.com/ultralytics/ultralytics 1.2配置环境 pipinstallrr...

是否确定退出登录?

【保姆级教程】YOLOv8_OBB旋转目标检测：训练自己的数据集

一、YOLOV8环境准备

1.1 下载安装最新的YOLOv8代码

1.2 配置环境

二、数据准备

2.1 安装roLabelImg标注软件（注：安装前需确保已安装labelImg标注工具）软件

2.1.1 拉取roLabelImg源码

2.1.2 打开roLabelImg软件

步骤一：先使用Anaconda Prompt启动labeme标注工具

步骤二：然后，运行2.1.1节中roLabelImg文件下的roLabelImg.py文件

打开的roLabelImg标注软件界面如下：

2.2 标注自己的数据

2.3 数据转换

2.3.1 运行下面代码，将xml标签格式转为txt标签格式

运行上面代码，就可以获得TXT格式标签文件

2.3.2 使用YOLOv8的标签转换工具

步骤三：运行下面的代码

三、配置文件设置

3.1 新建my-data8-obb.yaml

3.2 修改yolov8-obb.yaml

四、训练

4.1 下载预训练权重

4.2 训练

五、验证

六、推理

全部评论 (0)

相关文章推荐

【保姆级教程】YOLOv8_OBB旋转目标检测：训练自己的数据集

【保姆级教程】YOLOv8_OBB旋转目标检测：训练自己的数据集(2)

【保姆级教程】YOLOv8_Det目标检测：训练自己的数据集

【保姆级教程】YOLOv8_Pose多目标+关键点检测：训练自己的数据集

【保姆级教程】YOLOv8_Pose多目标+关键点检测：训练自己的数据集 (2)

【目标检测】2024最新-用YOLOv8训练自己的数据集（保姆级教学）

【目标检测】基于yolov4训练自己的数据集(附代码和数据集，保姆级教程)

YOLOv8-OBB 旋转目标检测训练自己的数据

Yolov5训练自己的数据【保姆级教程】

【保姆级教程】YOLOv8_Cls图像分类：训练自己的数据集