yolov5 图片数量不对应

YOLOV5训练自己的数据集时，train里面的图片有七千多张，为什么这显示的只是验证集的981张图片

这一行本来就是专门显示验证集的，不懂的话建议查一下训练过程的参数说明不要自己猜测。

【相关推荐】

• 你可以看下这个问题的回答https://ask.csdn.net/questions/7399264
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：yolov5-5的train函数简单流程
• 您还可以看一下 白勇老师的YOLOv5(PyTorch)目标检测：原理与源码解析课程中的 train.py代码解析2小节, 巩固相关知识点
  
• 除此之外, 这篇博客: yolov3训练测试自己的数据集过程中的 Trainning： 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

  现在开始训练自己的网络：

  由于很多用户使用像LabelImg这样的工具来生成xml格式注释，所以在VOC dataset上添加了一个演示脚本来进行转换，转换成我们需要的格式。如下：
  0 xxx/xxx/a.jpg 1920 1080 0 453 369 473 391 1 588 245 608 268
  1 xxx/xxx/b.jpg 1920 1080 1 466 403 485 422 2 793 300 809 320
  详细的代码在misc/parse_voc_xml.py

  1.在misc/ 下建立voc_names.txt，文本中写入自己的目标的名字，如下图所示：
  
  2.由于运行自己的数据集，所以对parse_voc_xml.py代码进行了修改：

  首先由于我的xml文件中并没有图片的Size信息，所以height = tree.findtext("./size/height")和width = tree.findtext("./size/width")这两句代码需要改了，手动改成自己图片的大小，注意的是要写成字符串类型。
  其次，原数据集是对voc07和voc12进行拼凑作为训练测试等，我是利用自己的数据集，所以需要修改一下

  # coding: utf-8
  
  import xml.etree.ElementTree as ET
  import os
  
  names_dict = {}
  cnt = 0
  f = open('./voc_names.txt', 'r').readlines()
  for line in f:
      line = line.strip()
      names_dict[line] = cnt
      cnt += 1
  #原来的代码是将voc2007和voc2012整合到了一起，并且把验证集用来做测试集了，我认为不对，进行了修改
  #我按照自己的数据集修改了代码，得到val、test、train
  voc_07 = '/home/dlut/网络/bolt_1_YOLOv3_TensorFlow/bolt/VOC2018'
  # voc_07 = '/data/VOCdevkit/VOC2007'
  # voc_12 = '/data/VOCdevkit/VOC2012'
  # anno_path = [os.path.join(voc_07, 'Annotations'), os.path.join(voc_12, 'Annotations')]
  # img_path = [os.path.join(voc_07, 'JPEGImages'), os.path.join(voc_12, 'JPEGImages')]
  
  anno_path = [os.path.join(voc_07, 'Annotations')]
  img_path = [os.path.join(voc_07, 'JPEGImages')]
  
  #trainval_path = [os.path.join(voc_07, 'ImageSets/Main/trainval.txt')]
  train_path = [os.path.join(voc_07, 'ImageSets/Main/train.txt')]
  #   os.path.join(voc_12, 'ImageSets/Main/trainval.txt')]
  test_path = [os.path.join(voc_07, 'ImageSets/Main/test.txt')]
  
  val_path = [os.path.join(voc_07, 'ImageSets/Main/val.txt')]  #自己添加了验证集
  #原来的代码没有验证集，自己添加了验证集
  
  def parse_xml(path):
      tree = ET.parse(path)
      img_name = path.split('/')[-1][:-4]
  
      #height = tree.findtext("./size/height")
      #width = tree.findtext("./size/width")
  
      height = '960'
      width = '960'  #由于我的xml文件中没有Size这一项，所以图片的宽度高度自己手动写了一下
      #注意要为字符串，以前写960报错，改了'960'字符串以后才可以
  
      objects = [img_name, width, height]
  
      for obj in tree.findall('object'):
          difficult = obj.find('difficult').text
          if difficult == '1':
              continue
          name = obj.find('name').text
          bbox = obj.find('bndbox')
          xmin = bbox.find('xmin').text
          ymin = bbox.find('ymin').text
          xmax = bbox.find('xmax').text
          ymax = bbox.find('ymax').text
  
          name = str(names_dict[name])
          objects.extend([name, xmin, ymin, xmax, ymax])
      if len(objects) > 1:
          return objects
      else:
          return None
  
  
  test_cnt = 0
  def gen_test_txt(txt_path):
      global test_cnt
      f = open(txt_path, 'w')
  
      for i, path in enumerate(test_path):
          img_names = open(path, 'r').readlines()
          for img_name in img_names:
              img_name = img_name.strip()
              xml_path = anno_path[i] + '/' + img_name + '.xml'
              objects = parse_xml(xml_path)
              if objects:
                  objects[0] = img_path[i] + '/' + img_name + '.jpg'
                  if os.path.exists(objects[0]):
                      objects.insert(0, str(test_cnt))
                      test_cnt += 1
                      objects = ' '.join(objects) + '\n'
                      f.write(objects)
      f.close()
  
  train_cnt = 0
  def gen_train_txt(txt_path):
      global train_cnt
      f = open(txt_path, 'w')
  
      for i, path in enumerate(train_path):
          img_names = open(path, 'r').readlines()
          for img_name in img_names:
              img_name = img_name.strip()
              xml_path = anno_path[i] + '/' + img_name + '.xml'
              objects = parse_xml(xml_path)
              if objects:
                  objects[0] = img_path[i] + '/' + img_name + '.jpg'
                  if os.path.exists(objects[0]):
                      objects.insert(0, str(train_cnt))
                      train_cnt += 1
                      objects = ' '.join(objects) + '\n'
                      f.write(objects)
      f.close()
  
  val_cnt=0
  
  ##############################自己写的函数##############################
  def gen_val_txt(txt_path):
      global val_cnt
      f = open(txt_path, 'w')
  
      for i, path in enumerate(val_path):
          img_names = open(path, 'r').readlines()
          for img_name in img_names:
              img_name = img_name.strip()
              xml_path = anno_path[i] + '/' + img_name + '.xml'
              objects = parse_xml(xml_path)
              if objects:
                  objects[0] = img_path[i] + '/' + img_name + '.jpg'
                  if os.path.exists(objects[0]):
                      objects.insert(0, str(val_cnt))
                      val_cnt += 1
                      objects = ' '.join(objects) + '\n'
                      f.write(objects)
      f.close()
  
  gen_train_txt('train.txt')
  gen_test_txt('test.txt')
  gen_val_txt('val.txt')
  

  结果展示：
  
  
  3.把misc下的刚才生成的train.txt文件放在和get_kmeans.py同一文件夹下。
  4.运行get_kmeans.py脚本。
  将得到的数字，放在data文件下的yolo_anchors.txt的文本中，如图：
  
  5.原来的目标名称在coco.names中，现在训练自己的数据集，目标存放在voc_names.txt中，所以把voc_names.txt放在data目录下，同时可以删除coco.names。并把刚才生成的train test val等放在data/my_data文件下。
  6.修改args中的代码：
  首先将带有coco.names的修改为voc_names.txt，class_name_path = './data/voc_names.txt'
  然后其余的学习率，epoch，优化器选择…等等参数由自己进行确定。
  另外，需要将刚才生成的val.txt、train.txt、以及test.txt放在data/mydata目录下。
  7.开始训练吧，打开train.py加入两行代码：import os 和os.environ["CUDA_VISIBLE_DEVICES"] = "0" 这两行表示利用GPU进行训练。
  然后就可以运行train.py，进行训练了。如图：
  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^