YOLO入门教程（一）——训练自己的模型【含教程源码 + 故障排查】

引言
前期准备
Step1 打标训练
Step2 格式转换
Step3 整理训练集
Step4 训练数据集
- 4.1创建yaml文件
- 4.2训练
- 4.3故障排查
- - 4.3.1OpenCV版本故障，把OpenCV版本升级到4.0以上
  - 4.3.2NumPy版本故障，把NumPy降低版本到1.26.4
  - 4.3.3没有安装ultralytics模块
  - 4.3.4Arial.ttf下载超时
  - 4.3.5其他报错
参考博客

引言

YOLO（You Only Look Once）Y作为一个目标检测算法，主要是针对矩形边界框的标注设计的，通常情况下使用的是矩形边界框，常用的LabelImg可以只支持矩形标注，该软件标注的标签可以直接用于应用，本文教程主要介绍如何训练自己的YOLO模型，LabelMe多边形标注的标签如何训练。

前期准备

安装Anaconda,VSCode,LabelMe并配置好Python环境,OpenCV环境,PyTorch即可开始训练自己的数据集。

Step1 打标训练

使用LabelMe软件进行打标签，会在原图路径下生成.json标签文件。
在这里插入图片描述

Step2 格式转换

LabelMe生成的.json标签文件格式不适用于YOLO训练，需要转换格式为.txt标签文件，利用以下代码将.json标签文件归一化为YOLO可直接训练的.txt标签文件。

import json
import os
import matplotlib.pyplot as plt
from matplotlib.patches import Polygon
import numpy as np#定义分类
name2id = {'background':0,'dot':1}
#通过相对路径索引到标签文件
label_floder_path = './source'def convert(img_size, corners):# 输入的image_size[0]为宽，[1]为高# 输入的corners[0]和[1]左上角的xy坐标，[2][3]为右下角的xy坐标dw = 1./(img_size[0])dh = 1./(img_size[1])x = (corners[0] + corners[2]) / 2.0 - 1y = (corners[1] + corners[3]) / 2.0 - 1w = abs(corners[2] - corners[0])h = abs(corners[3] - corners[1])x = x * dww = w * dwy = y * dhh = h * dhprint("归一化后矩形中心坐标为(", x, ",", y, ")")print("归一化后矩形中心宽高为(", w, ",", h, ")")return (x, y, w, h)def decode_json(label_floder_path, label_name):# txt文件名为:文件名.json转换为文件名.txttxt_name = label_floder_path + "/" + label_name[0:-5] + '.txt'# 打开txt后续可以进行写入,若不存在改文件会自动创建print("新建的txt文件名称为", txt_name)txt_file = open(txt_name, 'w')# 文件路径+文件名称组成完整路径label_path = os.path.join(label_floder_path, label_name)print("文件路径为", label_floder_path, "文件名称为", label_name)# 打开json后续可进行读取,编码方式为GBKdata = json.load(open(label_path, 'r', encoding='GBK'))# 用索引的方式可以得到数据img_w = data['imageWidth']img_h = data['imageHeight']for i in data['shapes']:label_name = i['label']# 标签形状为矩形时的转换方式if (i['shape_type'] == 'rectangle'):print("标签形状为矩形进行转换")x1 = int(i['points'][0][0])y1 = int(i['points'][0][1])x2 = int(i['points'][1][0])y2 = int(i['points'][1][1])corners = (x1, y1, x2, y2)box = convert((img_w,img_h), corners)txt_file.write(str(name2id[label_name]) + " " + " ".join([str(xy) for xy in box]) + '\n')# 标签形状为多边形时的转换方式elif (i['shape_type'] == 'polygon'):print("标签形状为多边形进行转换")# 创建一个空的列表来存储所有点points = []# 从路径中获取多边形的坐标for point in i['points']:points.append(point)# 使用列表解析创建二维元组列表polygon_vertices = [(points[i][0], points[i][1]) for i in range(0, len(points), 1)]print("点的数量为", len(points), "分别为:", polygon_vertices)# 创建一个多边形对象polygon = Polygon(polygon_vertices, closed=True, edgecolor='r', fill=None)fig, ax = plt.subplots()ax.add_patch(polygon)# 获取多边形的路径对象path = polygon.get_path()# 获取路径的边界框extents = path.get_extents()corners = (extents.xmin, extents.ymax, extents.xmax, extents.ymin)box = convert((img_w,img_h),corners)txt_file.write(str(name2id[label_name]) + " " + " ".join([str(xy) for xy in box]) + '\n')# 标签形状为圆形时的转换方式else:# 圆形的信息circle_center = (3, 4)  # 圆心坐标 (x, y)circle_radius = 2       # 圆的半径# 计算外接矩形的位置# 外接矩形的左上角和右下角坐标rect_top_left = (circle_center[0] - circle_radius, circle_center[1] + circle_radius)rect_bottom_right = (circle_center[0] + circle_radius, circle_center[1] - circle_radius)corners = (rect_top_left[0], rect_top_left[1], rect_bottom_right[0], rect_bottom_right[1])box = convert((img_w,img_h), corners)txt_file.write(str(name2id[label_name]) + " " + " ".join([str(xy) for xy in box]) + '\n')def create_classes(label_floder_path):# txt文件名为:文件名.json转换为文件名.txtclasses_name = label_floder_path + "/classes.txt"# 打开txt后续可以进行写入,若不存在改文件会自动创建print("新建的txt文件名称为", classes_name)classes_file = open(classes_name, 'w')for name in name2id:classes_file.write(name + '\n')if __name__ == "__main__":label_names = os.listdir(label_floder_path)print("转换的总文件数量为", len(label_names))create_classes(label_floder_path)for label_name in label_names:if(label_name[-5:] == '.json'):print("解析文件", label_name)decode_json(label_floder_path, label_name)

label_floder_path替换成标签和图片所在路径
name2id替换成标签
encoding='GBK’为编码格式

以上代码暂时只支持矩形和多边形的形状转换

备注：转换后可以在LabelImg上检验是否转换成功
在这里插入图片描述

Step3 整理训练集

YOLO有数据集要求放置的格式要求，具体要求如下：

dataset/
├── train/
│ ├── images/
│ └── labels/
└── val/
├── images/
└── labels/

利用以下代码将快速将训练集整理好，划分为训练集和验证集：

import random
import shutil
import os
import shutil#通过相对路径索引到数据集
source_floder_path = './source'
# 图片目标路径
images_folder = source_floder_path + '/images'
# 标签目标路径
labels_folder = source_floder_path + '/labels'def CollateDataset(image_dir,label_dir):  # image_dir:图片路径  label_dir：标签路径# 创建一个空列表来存储有效图片的路径valid_images = []# 创建一个空列表来存储有效 label 的路径valid_labels = []# 遍历 images 文件夹下的所有图片for image_name in os.listdir(image_dir):# 获取图片的完整路径image_path = os.path.join(image_dir, image_name)# 获取图片文件的扩展名ext = os.path.splitext(image_name)[-1]# 根据扩展名替换成对应的 label 文件名label_name = image_name.replace(ext, ".txt")# 获取对应 label 的完整路径label_path = os.path.join(label_dir, label_name)# 判断 label 是否存在if not os.path.exists(label_path):# # 删除图片# os.remove(image_path)print("there is no:", label_path)else:# 将图片路径添加到列表中valid_images.append(image_path)# 将 label 路径添加到列表中valid_labels.append(label_path)# 遍历每个有效图片路径for i in range(len(valid_images)):image_path = valid_images[i]label_path = valid_labels[i]# 随机生成一个概率r = random.random()# 判断图片应该移动到哪个文件夹# train：valid：test = 8:2:0if r < 0.0:# 移动到 test 文件夹destination = "./datasets/test"elif r < 0.2:# 移动到 valid 文件夹destination = "./datasets/valid"else:# 移动到 train 文件夹destination = "./datasets/train"# 创建目标文件夹中 images 和 labels 子文件夹os.makedirs(os.path.join(destination, "images"), exist_ok=True)os.makedirs(os.path.join(destination, "labels"), exist_ok=True)# 生成目标文件夹中图片的新路径image_destination_path = os.path.join(destination, "images", os.path.basename(image_path))# 移动图片到目标文件夹shutil.copy(image_path, image_destination_path)# 生成目标文件夹中 label 的新路径label_destination_path = os.path.join(destination, "labels", os.path.basename(label_path))# 移动 label 到目标文件夹shutil.copy(label_path, label_destination_path)def CopyImagesAndLabels(path):# 定义图片尾缀image_suffix = ['.png']# 定义标签尾缀label_suffix = ['.txt']# 遍历源文件夹中的文件for filename in os.listdir(path):print(f"FileName is {filename}")# 将路径分隔符从 '\\' 替换为 '/'filename = filename.replace('\\', '/')# 检查文件是否为图片的后缀结尾for suffix in image_suffix:#图片移动到图片路径if filename.endswith(suffix):# 拼接路径字符串source_file = os.path.normpath(os.path.join(os.getcwd(), path, filename))dest_file = os.path.normpath(os.path.join(os.getcwd(), images_folder, filename))# 复制文件if os.path.exists(source_file):try:# 复制文件# 确保目标文件夹存在，递归创建目录os.makedirs(os.path.dirname(dest_file), exist_ok=True)print(f"Copying Image {source_file} to {dest_file}")shutil.copy(source_file, dest_file)except Exception as e:print(f"Error: {e}") # 检查文件是否为标签的后缀结尾for suffix in label_suffix:#图片移动到图片路径if filename.endswith(suffix):# 拼接路径字符串source_file = os.path.normpath(os.path.join(os.getcwd(), path, filename))dest_file = os.path.normpath(os.path.join(os.getcwd(), labels_folder, filename))# 复制文件print(f"Copy Label {source_file} to {dest_file}")if os.path.exists(source_file):try:# 复制文件# 确保目标文件夹存在，递归创建目录os.makedirs(os.path.dirname(dest_file), exist_ok=True)print(f"Copying Label {source_file} to {dest_file}")shutil.copy(source_file, dest_file)print("File copied successfully!")except Exception as e:print(f"Error: {e}")# 拷贝完成print("File copied successfully!")if __name__ == '__main__':# 整理训练集CopyImagesAndLabels(source_floder_path)CollateDataset(images_folder, labels_folder)

source_floder_path替换成数据集所在路径
images_folder和labels_folder为图片集和标记集所在路径
image_suffix和label_suffix为图片集和标签集的尾缀
destination为最终训练集和验证集所在路径

以上代码只复制png和txt尾缀的数据集

备注：转换后可以在本地路径上检查是否整理成功
在这里插入图片描述

Step4 训练数据集

下载YOLOv10训练源码

4.1创建yaml文件

在这里插入图片描述

Train/val替换成数据集所在绝对路径
Classes为标签数量与名称

4.2训练

from ultralytics import YOLOv10
import torch
import cv2
import os# 模型配置文件
model_yaml_path = "./ultralytics/cfg/models/v10/yolov10n.yaml"
# 数据集配置文件
data_yaml_path = os.path.normpath(os.path.join(os.getcwd(), './yolov10-main/ultralytics/cfg/datasets/mytrain.yaml'))
# 预训练模型
pre_model_name = os.path.normpath(os.path.join(os.getcwd(), './yolov10-main/weights/yolov10n.pt'))
# 模型保存路径
save_model_name = os.path.normpath(os.path.join(os.getcwd(), './yolov10-main/runs/detect/mytrain_0729'))if __name__ == '__main__':print(torch.__version__)  #注意，这里也是两个下划线print(cv2.__version__)# 加载预训练模型model = YOLOv10(model_yaml_path).load(pre_model_name)# model = YOLOv10(pre_model_name)# 训练模型results = model.train(data=data_yaml_path, epochs=10, batch=8, name=save_model_name)

data_yaml_path替换成4.1步骤下yaml的名称与路径
pre_model_name为预训练模型区别如下图

4.3故障排查

4.3.1OpenCV版本故障，把OpenCV版本升级到4.0以上

ModuleNotFoundError: No module named ‘cv2’

下载所需版本的OpenCV包,将安装好的.whl文件拷贝到.\Anaconda3\Lib\site-packages文件夹中，并将原来的OpenCV卸载
pip uninstall opencv-python
pip uninstall opencv-contrib-python
cd .\Anaconda3\Lib\site-packages
pip install msgpack-python
pip install msgpack
pip install x.whl

备注：版本cp后的数字代表了适配Python的版本。如果你的Python版本是3.7.4请务必选择cp37，其它依此类推。对于我们Windows64位系统，应当选择win_amd64系列。

4.3.2NumPy版本故障，把NumPy降低版本到1.26.4

A module that was compiled using NumPy 1.x cannot be run in NumPy 2.0.1 as it may crash. To support both 1.x and 2.x versions of NumPy, modules must be compiled with NumPy 2.0. Some module may need to rebuild instead e.g. with ‘pybind11>=2.12’.

pip uninstall numpy
pip install numpy==1.26.4

4.3.3没有安装ultralytics模块

New https://pypi.org/project/ultralytics/8.2.66 available 😃 Update with ‘pip install -U ultralytics’

pip install -U ultralytics

4.3.4Arial.ttf下载超时

解决yolov5环境配置报错Arial.ttf下载超时Downloading

4.3.5其他报错

其他报错可以搜索或者在YOLO官方常见问题文档中查找

参考博客

1.深度学习之目标检测从入门到精通——json转yolo格式
2.模型训练篇 | yolov10来了！手把手教你如何用yolov10训练自己的数据集（含网络结构 + 模型训练 + 模型推理等）
3.在win10下安装Anaconda环境并配置OpenCV
4.ModuleNotFoundError: No module named ‘torch‘ 解决方案