神经网络组植物分类学习规划与本周进展综述15

一、关于 "搭建共享空间 / 百度网盘" （百度网盘）

介绍：用一个大家都能随时访问的地方，统一存放项目中所有文件，避免两个人各存一份导致版本混乱。比如你们俩分工标注图片、写代码，如果你存自己电脑里，组员 B 看不到；如果用 U 盘传，容易丢文件。
用网盘 / 共享空间的好处是：

标注好的图片、训练好的模型、写的代码，传上去后两个人随时能下载最新版本；

老师要查看进度时，直接发链接就能分享，不用一个个文件发；

防止电脑坏了、文件误删导致数据丢失。

具体操作（以百度网盘为例）：

一人注册百度网盘，创建文件夹，命名为 "植物 - 土壤分割项目"；

里面再建 4 个子文件夹：

01_原始影像（存 QGIS 组给的预处理图片）

02_标注数据（存你们用 LabelMe 标好的图片和.json 文件）

03_代码与模型（存 YOLOv5 代码、训练好的.pt 模型、配置文件）

04_结果与论文（存分割结果图、蒸散量数据、小论文）

右键文件夹→"共享"，生成链接发给组员，设置 "可编辑" 权限，两人就能共同上传 / 下载文件了。

二、YOLOv5 训练代码完全入门指南（从 0 开始，复制就能用）

不用自己 "写代码"，YOLOv5 官网已经做好了所有核心代码，只需要改几个配置文件 + 运行现成的命令。以下是一步一步的操作：

Step 1：下载 YOLOv5 代码（5 分钟）

打开电脑的 "命令提示符"（Win+R 输入 cmd），复制粘贴下面的代码，按回车：

bash 复制代码

# 安装git（如果没有的话，先运行这个，装完后重启cmd）  
conda install git  

# 下载YOLOv5代码到电脑  
git clone https://github.com/ultralytics/yolov5  
cd yolov5  # 进入下载好的yolov5文件夹

Step 2：安装依赖（10 分钟）

还是在 cmd 里，输入：

bash 复制代码

# 安装需要的Python库（自动安装torch、opencv等）  
pip install -r requirements.txt

Step 3：准备数据集（关键！对应之前的标注数据）

1.假设你们已经用 LabelMe 标好了 50 张图，现在要把它们转换成 YOLO 能识别的格式：

在yolov5文件夹里，新建一个data文件夹，再在里面建 4 个子文件夹：

2.转换 LabelMe 的.json 到 YOLO 的.txt：

复制下面的代码，保存为json2yolo.py，放在yolov5文件夹里，然后把所有标注好的.json 文件和图片放在同一个文件夹，运行这个脚本（需要改代码里的路径）：

python 复制代码

import json  
import os  
from PIL import Image

# 改这里：你的标注文件（.json）所在的文件夹  
json_dir = "C:/你的标注文件夹路径"  
# 改这里：转换后的txt标签要存的位置（对应train或val的labels文件夹）  
txt_dir = "yolov5/data/labels/train"  

# 类别：0=plant，1=soil（和你标注时的名称对应）  
class_names = ["plant", "soil"]  

for json_file in os.listdir(json_dir):  
    if json_file.endswith(".json"):  
        with open(os.path.join(json_dir, json_file), "r", encoding="utf-8") as f:  
            data = json.load(f)  
        # 获取图片尺寸  
        img_path = os.path.join(json_dir, data["imagePath"])  
        img = Image.open(img_path)  
        width, height = img.size  
        # 生成txt标签  
        txt_name = json_file.replace(".json", ".txt")  
        with open(os.path.join(txt_dir, txt_name), "w") as f:  
            for shape in data["shapes"]:  
                cls = class_names.index(shape["label"])  # 类别编号  
                points = shape["points"]  # 多边形坐标  
                # 转换坐标为YOLO格式（归一化到0-1）  
                normalized = []  
                for (x, y) in points:  
                    normalized.append(x / width)  
                    normalized.append(y / height)  
                # 写入txt：类别 坐标1 坐标2 ...  
                f.write(f"{cls} " + " ".join(map(str, normalized)) + "\n")

Step 4：写配置文件（告诉 YOLO 你的数据集信息）

在yolov5/data文件夹里，新建一个plant_soil.yaml文件，用记事本打开，复制下面的内容：

python 复制代码

# 训练集和验证集的图片路径（相对于yolov5文件夹）  
train: data/images/train  
val: data/images/val  

# 类别数  
nc: 2  

# 类别名称（和标注时一致）  
names: [ 'plant', 'soil' ]

Step 5：开始训练（核心命令，复制运行）

在 cmd 里进入yolov5文件夹，输入训练命令：

python 复制代码

# 用预训练模型yolov5s.pt开始训练，epochs=50（训练轮数），batch-size=8（根据电脑配置调整）  
python train.py --data data/plant_soil.yaml --weights yolov5s.pt --epochs 50 --batch-size 8 --img 640

第一次运行会自动下载yolov5s.pt预训练模型（小文件，很快）；

训练时会显示进度，最后在yolov5/runs/train/exp/weights里生成best.pt（最好的模型）和last.pt（最后一轮模型）。

Step 6：用训练好的模型做分割（测试效果）

找一张没训练过的图片，放在yolov5/test.jpg，运行：

python detect.py --weights runs/train/exp/weights/best.pt --source test.jpg

结果会存在yolov5/runs/detect/exp里，打开图片就能看到植物和土壤被不同颜色标注出来了。

三、分工建议（针对代码部分）

1.一人负责 "数据准备"：用 LabelMe 标注图片，运行json2yolo.py转换标签，整理到data文件夹，确保路径正确；

2.另一人负责 "代码运行"：安装环境，修改plant_soil.yaml配置文件，运行训练和测试命令，把训练好的模型传到共享网盘。