YOLOv6训练自己的数据集

文章目录

• 前言
• 一、YOLOv6简介
• 二、环境搭建
• 三、构建数据集
• 四、修改配置文件
• • ①数据集文件配置
  • ②权重下载
  • ③模型文件配置
• 五、模型训练和测试
• • 模型训练
  • 模型测试
• 总结

---

前言

提示：本文是YOLOv6训练自己数据集的记录教程，需要大家在本地已配置好CUDA,cuDNN等环境，没配置的小伙伴可以查看我的往期博客：在Windows10上配置CUDA环境教程

YOLOv6是美团视觉智能部研发的一款面向工业应用的目标检测框架，该框架在保持高检测精度的同时，兼顾了推理效率，是YOLO系列中的又一改进版本。

代码地址：https://github.com/meituan/YOLOv6

论文地址：https://arxiv.org/abs/2209.02976

---

一、YOLOv6简介

主要特点：

1. Hardware-friendly的骨干网络设计

   YOLOv6采用了基于RepVGG style的可重参数化、更高效的骨干网络EfficientRep Backbone，以及Rep-PAN Neck，这些设计使得网络在推理时能够更有效地利用硬件资源，提高推理速度。

2. 更简洁高效的Decoupled Head

   YOLOv6采用了解耦检测头（Decoupled Head）结构，并对其进行了精简设计，以减少网络延时，同时保持较高的检测精度。

3. 高精度与高效率

   YOLOv6在工业界常用的尺寸模型中表现出色。例如，YOLOv6-nano在COCO数据集上的精度可达35.0% AP，在NVIDIA Tesla T4 GPU上的推理速度可达1242 FPS；YOLOv6-s在COCO上的精度可达43.1% AP，推理速度可达520 FPS。

4. 部署友好

   YOLOv6支持多种不同平台的部署，包括GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等，极大地简化了工程部署时的适配工作。

二、环境搭建

在配置好CUDA环境，并且获取到YOLOv6源码后，建议新建一个虚拟环境专门用于YOLOv6模型的训练。将YOLOv6加载到环境后，安装剩余的包。requirements.txt 中包含了运行所需的包和版本，利用以下命令批量安装：

pip install -r requirements.txt

三、构建数据集

YOLOv6模型的训练需要原图像及对应的YOLO格式标签，还未制作标签的可以参考我这篇文章：LabelImg安装与使用教程。

我的原始数据存放在根目录的data文件夹（新建的）下，里面包含图像和标签。

标签内的格式如下：

具体格式为 class_id x y w h，分别代表物体类别，标记框中心点的横纵坐标(x, y)，标记框宽高的大小(w, h)，且都是归一化后的值，图片左上角为坐标原点。

将原本数据集按照8：1：1的比例划分成训练集、验证集和测试集三类，划分代码如下。

# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os
 
# 原始路径
image_original_path = "originaldata/images/"
label_original_path = "originaldata/labels/"
 
cur_path = os.getcwd()
#cur_path = 'D:/image_denoising_test/denoise/'
# 训练集路径
train_image_path = os.path.join(cur_path, "data/images/train/")
train_label_path = os.path.join(cur_path, "data/labels/train/")
 
# 验证集路径
val_image_path = os.path.join(cur_path, "data/images/val/")
val_label_path = os.path.join(cur_path, "data/labels/val/")
 
# 测试集路径
test_image_path = os.path.join(cur_path, "data/images/test/")
test_label_path = os.path.join(cur_path, "data/labels/test/")
 
# 训练集目录
list_train = os.path.join(cur_path, "data/train.txt")
list_val = os.path.join(cur_path, "data/val.txt")
list_test = os.path.join(cur_path, "data/test.txt")
 
train_percent = 0.8
val_percent = 0.1
test_percent = 0.1
 
 
def del_file(path):
    for i in os.listdir(path):
        file_data = path + "\\" + i
        os.remove(file_data)
 
 
def mkdir():
    if not os.path.exists(train_image_path):
        os.makedirs(train_image_path)
    else:
        del_file(train_image_path)
    if not os.path.exists(train_label_path):
        os.makedirs(train_label_path)
    else:
        del_file(train_label_path)
 
    if not os.path.exists(val_image_path):
        os.makedirs(val_image_path)
    else:
        del_file(val_image_path)
    if not os.path.exists(val_label_path):
        os.makedirs(val_label_path)
    else:
        del_file(val_label_path)
 
    if not os.path.exists(test_image_path):
        os.makedirs(test_image_path)
    else:
        del_file(test_image_path)
    if not os.path.exists(test_label_path):
        os.makedirs(test_label_path)
    else:
        del_file(test_label_path)
 
 
def clearfile():
    if os.path.exists(list_train):
        os.remove(list_train)
    if os.path.exists(list_val):
        os.remove(list_val)
    if os.path.exists(list_test):
        os.remove(list_test)
 
 
def main():
    mkdir()
    clearfile()
 
    file_train = open(list_train, 'w')
    file_val = open(list_val, 'w')
    file_test = open(list_test, 'w')
 
    total_txt = os.listdir(label_original_path)
    num_txt = len(total_txt)
    list_all_txt = range(num_txt)
 
    num_train = int(num_txt * train_percent)
    num_val = int(num_txt * val_percent)
    num_test = num_txt - num_train - num_val
 
    train = random.sample(list_all_txt, num_train)
    # train从list_all_txt取出num_train个元素
    # 所以list_all_txt列表只剩下了这些元素
    val_test = [i for i in list_all_txt if not i in train]
    # 再从val_test取出num_val个元素，val_test剩下的元素就是test
    val = random.sample(val_test, num_val)
 
    print("训练集数目：{}, 验证集数目：{}, 测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))
    for i in list_all_txt:
        name = total_txt[i][:-4]
 
        srcImage = image_original_path + name + '.jpg'
        srcLabel = label_original_path + name + ".txt"
 
        if i in train:
            dst_train_Image = train_image_path + name + '.jpg'
            dst_train_Label = train_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_train_Image)
            shutil.copyfile(srcLabel, dst_train_Label)
            file_train.write(dst_train_Image + '\n')
        elif i in val:
            dst_val_Image = val_image_path + name + '.jpg'
            dst_val_Label = val_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_val_Image)
            shutil.copyfile(srcLabel, dst_val_Label)
            file_val.write(dst_val_Image + '\n')
        else:
            dst_test_Image = test_image_path + name + '.jpg'
            dst_test_Label = test_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_test_Image)
            shutil.copyfile(srcLabel, dst_test_Label)
            file_test.write(dst_test_Image + '\n')
 
    file_train.close()
    file_val.close()
    file_test.close()
 
 
if __name__ == "__main__":
    main()

划分完成后将会在data文件夹下生成划分好的文件，其中images为划分后的图像文件，里面包含用于train、val、test的图像，已经划分完成；labels文件夹中包含划分后的标签文件，已经划分完成，里面包含用于train、val、test的标签；train.tet、val.txt、test.txt中记录了各自的图像路径。

在训练过程中，也是主要使用这三个txt文件进行数据的索引。

四、修改配置文件

①数据集文件配置

数据集划分完成后，在项目的data文件下，新建bubbleplume.yaml，替代coco.yaml。用于指明数据集路径和类别，我这边只有一个类别，nc中只留了一个，多类别的在names内加上类别名即可。bubbleplume.yaml中的内容为：

# Please insure that your custom_dataset are put in same parent dir with YOLOv6_DIR
train: ./data/images/train # train images
val: ./data/images/val # val images
test: ./data/images/test # test images (optional)

# whether it is coco dataset, only coco dataset should be set to True.
is_coco: False
# Classes
nc: 1  # number of classes
names: ['plume']  # class names

②权重下载

在进行模型训练之前，需要到官网下载预训练权重，权重地址为：https://github.com/meituan/YOLOv6/releases

权重下载完成后，在项目根目录新建weights文件夹，将下载的权重放到里面，要用哪个版本的模型加载哪个权重即可

③模型文件配置

在模型配置中，YOLOv6只需要修改tools文件夹中的train.py,在24行处的def parse_opt()函数中，主要修改data-path、conf-file、img-size、batch-size、epochs、workers以及device。这些参数已足够顺利训练了，其他参数就是一些后续的调参工作了。

data-path是配置数据集文件的路径，将default中的内容修改成自己的数据集yaml文件路径。

parser.add_argument('--data-path', default='./data/bubbleplume.yaml', type=str, help='path of dataset')

conf-file指选用的模型文件，在configs文件夹下，里面包含模型结构和一些超参数。选用哪个模型，就在default中填上他的路径。yaml文件中带有finetune的表示使用预训练权重，即下载在weight文件夹下的权重，不是用带finetune的则表示不使用权重，直接训练。

parser.add_argument('--conf-file', default='./configs/yolov6m_finetune.py', type=str, help='experiments description file')

epochs指训练的轮次，这里我这边在default中定了一个300次，只要模型能收敛即可。

parser.add_argument('--epochs', default=400, type=int, help='number of total epochs to run')

batch-size是表示一次性将多少张图片放在一起训练，越大训练的越快，如果设置的太大会报OOM 错误，我这边在default中设置16，表示一次训练16张图像。设置的大小为2的幂次，1为2的0次，16为2的4次。

parser.add_argument('--batch-size', default=16, type=int, help='total batch size for all GPUs')

img-size表示送入训练的图像大小，会统一进行缩放。要求是32的整数倍，尽量和图像本身大小一致。这边在default中设置为640。

parser.add_argument('--img-size', default=320, type=int, help='train, val image size (pixels)')

device指训练运行的设备。该参数指定了模型训练所使用的设备，例如使用 GPU 运行可以指定为 default='0'，或者使用多个 GPU 运行可以指定为 device=0,1,2,3，如果没有可用的 GPU，可以指定为device='cpu'使用 CPU 进行训练。

parser.add_argument('--device', default='0', type=str, help='cuda device, i.e. 0 or 0,1,2,3 or cpu')

workers是指数据装载时cpu所使用的线程数，默认为8，过高时会报错：[WinError 1455] 页面文件太小，无法完成操作 ，此时就只能将default调成0了。

parser.add_argument('--workers', default=10, type=int, help='number of data loading workers (default: 8)')

模型训练的相关基本参数就是这些啦，其余的参数可以等到后期训练完成进行调参时再详细了解。

五、模型训练和测试

模型训练

在将train.py文件配置完成后，即可运行此文件，便会开始训练啦

训练完成后，将会在runs/train/exp/weight文件夹下存放训练后的权重文件。

模型测试

使用tools/eval.py进行测试，需要修改def parse_opt()中的data、weights、batch-size、img-size、devicey以及task。

其中weights为训练出来的新模型权重，路径在runs/train文件夹下，

parser.add_argument('--weights', type=str, default='./runs/train/exp/weights/best_ckpt.pt', help='model.pt path(s)')

task，表示在验证时所使用的数据集，这里使用test

parser.add_argument('--task', default='test', help='val, test, or speed')

其余参数和训练时一致。

运行eval.py文件后便会得出训练精度等相关信息。

---

总结

以上就是YOLOv6训练自己数据集的全部过程啦，欢迎大家在评论区交流~