化繁为简：从Labelme标注数据到YOLOv5训练数据集的快速转换

踏上目标检测之旅：从Labelme到YOLOv5

1. 准备就绪：

• 安装必要的软件：
  • Python 3.6或更高版本
  • Labelme
  • YOLOv5
• 准备Labelme标注的数据：
  • 确保数据以“.json”格式保存。
  • 将Labelme数据复制到YOLOv5项目根目录，并命名为“LabelmeData”。

2. 代码实现：LabelmeToYolov5.py

import os
import glob
import json
from sklearn.model_selection import train_test_split

# 定义Labelme数据路径
labelme_path = "LabelmeData"

# 获取Labelme数据中的文件名
files = glob.glob(labelme_path + "/*.json")

# 将数据划分为训练集和测试集
train_files, test_files = train_test_split(files, test_size=0.2, random_state=42)

# 创建训练集和测试集的JSON文件
with open("train.json", "w") as f:
    json.dump(train_files, f)

with open("test.json", "w") as f:
    json.dump(test_files, f)

# 创建用于训练YOLOv5的数据集
os.makedirs("YOLOv5/data/custom", exist_ok=True)

# 将训练集和测试集移动到YOLOv5的数据集目录
os.rename("train.json", "YOLOv5/data/custom/train.json")
os.rename("test.json", "YOLOv5/data/custom/val.json")

# 将图片移动到YOLOv5的数据集目录
for file in train_files:
    img_path = file.replace(".json", ".jpg")
    os.rename(img_path, "YOLOv5/data/custom/train/" + os.path.basename(img_path))

for file in test_files:
    img_path = file.replace(".json", ".jpg")
    os.rename(img_path, "YOLOv5/data/custom/val/" + os.path.basename(img_path))

3. 训练YOLOv5模型：

• 导航到YOLOv5项目根目录
• 运行以下命令训练模型：

python train.py --data custom/data.yaml --weights yolov5s.pt --img 640 --batch 16 --epochs 300 --project runs/train

4. 评估模型性能：

• 训练完成后，您可以在“runs/train”文件夹中找到训练结果。
• 运行以下命令评估模型性能：

python val.py --data custom/data.yaml --weights runs/train/exp/weights/best.pt --img 640 --batch 16

5. 使用转换后的数据集进行目标检测：

• 将转换后的数据集复制到您想要进行目标检测的项目中。
• 使用YOLOv5模型进行目标检测。

结语：

通过本文提供的详细步骤，您将能够轻松将Labelme标注的数据转换为YOLOv5训练所需的数据集，从而开启目标检测之旅。如果您在操作过程中遇到任何问题，请随时提出，我将竭诚为您解答。祝您在人工智能领域取得丰硕成果！