0 YOLO系列笔记

• 【YOLO】朴实无华的yolov5环境配置（一）

• 【YOLO】yolov5训练自己的数据集（二）

• 【YOLO】目标识别模型的导出和opencv部署（三）

1 前言

  在之前的实践过程中，总结了如何使用YOLOv5进行目标识别，从环境搭建到训练自己的数据集，再到将训练好的模型使用OpenCV部署，这篇文章主要是拓展一下应用领域——语义分割，还是以应用入门为主。

2 基本概念

  在开始之前，不妨先理解一下什么是语义分割和实例分割，参考这篇文章，简单来说，语义分割就是会为图像的每个像素分配一个类别，但是同一类别之间的对象是不做区分的。而实例分割，只对特定的物体进行分类，和目标识别非常类似，其实我认为可以理解为 “精细化的目标识别” ，即边界不再限制为一个方框，而是无规则的边界。可以用下图来展示【图片也来自上述文章】

3 数据集

  和目标识别一样，分割问题的训练的数据集结构也是如下所示。

├───images
│   ├───train
│   └───val
└───labels
│    ├───train
│    └───val
└───data.yaml

其中，yaml文件的格式和目标识别也是一样的，这里不再赘述。

  另外就是数据集中标签的样式，和目标识别一样，在训练数据之前要先把标签格式转换为YOLO格式，如下所示。

其中，最左侧为目标类别，然后右侧是2*N个0-1之间的浮点数，代表了该目标轮廓的N个点坐标，都是归一化之后的数值。

4 训练

  和之前训练目标识别一样，如果是不需要更改参数啥的，可以直接运行yolo项目下的python文件。在项目下有一个segment文件夹，里面的代码才是训练语义分割的程序。

同样，使用方式也在文件前的注释写得很清楚了：

5 数据标注

  假如还需要自己搞数据集、标注怎么办？好像也有类似labelImg的标注软件，叫做labelme，安装方式和labelImg一样，可以直接通过pip安装：

pip install labelme

使用也比较简单，上手很快，这里附一个使用链接。