[保姆式教程]使用目标检测模型YOLO V5 OBB进行旋转目标的检测：训练自己的数据集（基于卫星和无人机的农业大棚数据集）

        最近需要做基于卫星和无人机的农业大棚的旋转目标检测，基于YOLO V5 OBB的原因是因为尝试的第一个模型就是YOLO V5，后面会基于其他YOLO系列模型做农业大棚的旋转目标检测，尤其是YOLO V9，YOLO V9目前还不能进行旋转目标的检测，需要修改代码。

        PS:欢迎大家分享农业大棚数据集，数据制作太花时间了......下面是我制作的农业大棚图像

        我参考的是这位博主：

        记录使用yolov5进行旋转目标的检测

一、配置环境

（1）

CUDA10.1（cuda_10.1.243_426.00_win10.exe，我使用其他CUDA版本训练的时候报错......）

CUDNN（cudnn-10.1-windows10-x64-v7.6.5.32或者cudnn-10.1-windows10-x64-v8.0.5.39）

conda create -n yolo5 python=3.8

conda activate yolo5

pytorch:1.6.1（torch-1.6.0+cu101-cp38-cp38-win_amd64.whl）

torchvision（torchvision-0.7.0+cu101-cp38-cp38-win_amd64.whl）

        安装所需要的库：

Cython

coremltools==4.1

matplotlib==3.2.2

numpy==1.18.5

opencv-python==4.1.2.30

onnx==1.8.1

pandas==1.2.3

pillow==8.2.0 # 后面训练的时候因为该库版本过高，需要降级为8.2.0（其他低版本可能也行）

PyYAML==5.3

scipy==1.4.1

tensorboard==2.2

thop==0.0.31-2005241907

tqdm==4.41.0

Shapely==1.7.1

seaborn==0.11.1

sotabencheval==0.0.38

thop

seaborn

protobuf==3.20.3 # 后面训练的时候因为该库版本过高，需要降级为3.20.3（其他低版本可能也行）

# pycocotools===2.0.7（按照博主的方法安装pycocotools没有成功，所以安装的这个版本）

        在真正训练的时候可能还需要安装别的库（更新或者降级某些库）

（2）

        安装pycocotools

        进入模型工程文件中的文件夹pycocotools-2.0.2，进入CMD激活环境yolo5，然后运行python setup.py build_ext install（这个我做的时候报错，后面懒得管了）

cd pycocotools-2.0.2

python setup.py build_ext install

        首先添加E:ModelYOLOv5_DOTA_OBB2swigwin-4.0.2到path里面，接着要进行系统环境的刷新，可以选择重启，也可以进入cmd，输入set path=c 进行刷新

        然后进入E:ModelYOLOv5_DOTA_OBB2utils先后运行

swig -c++ -python polyiou.i

python setup.py build_ext --inplace

        把C:ProgramDataanaconda3envsyolo5Libsite-packagesshapelyDLLs文件夹内所有dll复制到C:ProgramDataanaconda3envsyolo5Librarybin

二、准备数据集

        我使用LabelImg2标注数据（农业大棚），标注图像后会得到xml格式的标注文件 ，这里需要对数据格式进行转换，转成符合yolov5的txt格式。我参考的博主给的工程文件里面并没有roxml_to_data.py这个脚本，所以我使用的是另一个脚本代码转的

        原始图像数据放在E:ModelYOLOv5_DOTA_OBB2DOTA_devkit_YOLO-masterDOTA_demoimages路径下

        前面转成的txt格式文件放在E:ModelYOLOv5_DOTA_OBB2DOTA_devkit_YOLO-masterDOTA_demolabelTxt路径下

        文件夹draw_longside_img和yolo_labels暂时是空文件夹，后面会生成文件在里面

        进入DOTA_devkit_YOLO-master文件夹，修改DOTA_devkit_YOLO-masterdota_utils.py中的classnames_v1_5，修改为标注数据的种类（我的只有一个种类）

        我的类别是dog的原因是因为在使用LabelImg2标注数据的时候采用默认的标签，懒得每次都改.....

        然后先后运行PaddingPIC.py（PaddingPIC.py的作用是将图片扩展到高宽相同，便于数据处理，如果你的图像数据已经是640 x 640大小，这一步不用都可以）和YOLO_Transform.py（YOLO_Transform.py的作用是将dota的数据格式转换为yolov5的数据格式，我在转的时候图像需要是png格式的，这个我还没完全搞懂，有空回过头再了解了解）

        运行YOLO_Transform.py结束之后转换的txt文件会存放在yolo_labels文件夹中。至此，数据处理完成，只需要将数据放置好

        将原始图像（jpg格式）放到E:ModelYOLOv5_DOTA_OBB2DOTA_demo_viewimages路径下；将txt文件放到E:ModelYOLOv5_DOTA_OBB2DOTA_demo_viewlabels路径下

三、模型配置

        修改dataDOTA_ROTATED.yaml中nc（我的类别只有1）和names

        修改models/yolov5x.yaml中的nc（我的类别只有1）

        修改datahyp.scratch.yaml中的学习率的值

        下载权重文件，这里要注意，因为这个项目是基于v5-3.1版本的，所以下载的权重文件不能下载最新的pt文件，不然会报错

四、模型训练

        在train.py中设置好参数

parser.add_argument('--weights', type=str, default='weights/yolov5x.pt',help='initil weights path')

parser.add_argument('--cfg', type=str, default='models/yolov5x.yaml', help='model.yaml path')

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

parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')

parser.add_argument('--epochs', type=int, default=200)

parser.add_argument('--batch-size', type=int, default=2, help='total batch size for all GPUs')

parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')

parser.add_argument('--rect', action='store_true', help='rectangular training')

parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')

parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')

parser.add_argument('--notest', action='store_true', default=True, help='only test final epoch')

parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')

parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')

parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')

parser.add_argument('--cache-images', action='store_true', default=False, help='cache images for faster training')

parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')

parser.add_argument('--name', default='', help='renames results.txt to results_name.txt if supplied')

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

parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')

parser.add_argument('--single-cls', action='store_true', default=True, help='train as single-class dataset')

parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')

parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')

parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')

parser.add_argument('--logdir', type=str, default='runs/', help='logging directory')

parser.add_argument('--workers', type=int, default=0, help='maximum number of dataloader workers')

        因为我数据集类别只有一种，所以single-cls参数设置为True

        直接运行train.py或者在CMD中训练

五、Detect

        在detect.py中设置好参数

parser.add_argument('--weights', nargs='+', type=str, default='runs/exp0/weights/best.pt', help='model.pt path(s)')

parser.add_argument('--source', type=str, default='test_images', help='source') # file/folder, 0 for webcam

parser.add_argument('--output', type=str, default='test_images_detection', help='output folder') # output folder

parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')

parser.add_argument('--conf-thres', type=float, default=0.1, help='object confidence threshold')

parser.add_argument('--iou-thres', type=float, default=0.4, help='IOU threshold for NMS')

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

parser.add_argument('--view-img', action='store_true', default=True, help='display results')

parser.add_argument('--save-txt', action='store_true', default=True, help='save results to *.txt')

parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --class 0, or --class 0 2 3')

parser.add_argument('--agnostic-nms', action='store_true', default=False, help='class-agnostic NMS')

parser.add_argument('--augment', action='store_true', help='augmented inference')

parser.add_argument('--update', action='store_true', help='update all models')

        detesct的结果：

        标注的图像仅有132张，并且有些图像数据也不太好，结果就这样了......

        下一步便是增加数据集数量和提高数据集质量，使用更好的模型训练

        这只是一个篇分享经验的文章，难免有错误或者遗漏的地方，欢迎交流指正

相关知识

[保姆式教程]使用目标检测模型YOLO V5 OBB进行旋转目标的检测：训练自己的数据集（基于卫星和无人机的农业大棚数据集）
基于深度学习的番茄成熟度检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的植物病害检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的农作物害虫检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的田间杂草检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的花卉检测与识别系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的稻田虫害检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的玉米病虫害检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的商品标签识别系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的植物叶片病害识别系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）

网址: [保姆式教程]使用目标检测模型YOLO V5 OBB进行旋转目标的检测：训练自己的数据集（基于卫星和无人机的农业大棚数据集） https://www.huajiangbk.com/newsview2574265.html