目录
一、yolov5、yolov8、yolov11环境配置
其中pytorch环境配置可以参考我之前写的博客,里面有详细步骤:
关于yolo系列的下载,下面这篇博客有介绍:
yolov5下载链接:GitCode - 全球开发者的开源社区,开源代码托管平台
yolov8、yolov11下载链接:ultralytics/ultralytics: Ultralytics YOLO11 🚀
二、基础数据集训练
这里我尝试了yolov5进行coco128、coco数据集训练,也做了yolov8、yolov11网络模型推理。最终所呈现的效果都差不多。yolov5里面有coco128、coco数据集的yaml参数文件,可以直接运行使用。

python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt
在此基础上修改需要训练的参数文件即可,同时一些训练参数、预训练模型都可以修改。以下是我训练之后得到的结果。
| yolov5s | yolov5s+coco128 | yolov5s+coco |
|---|---|---|
![]() | ![]() | ![]() |
| yolov8n | yolov11n | |
![]() | ![]() | |
| yolov5s | yolov5s+coco128 | yolov5s+coco |
![]() | ![]() | ![]() |
| yolov8n | yolov11n | |
![]() | ![]() |
三、自己标注数据集训练
1、准备工作
(1)标记数据文件夹结构
首先需要在根文件夹下创建datasets文件夹,然后在其中创建roadDetect文件夹。roadDetect文件夹里面创建两个文件夹(images和labels)。images和labels里面分别创建train和val文件夹。其文件夹结构如下图所示。

(2)安装labelimg
conda创建一个新的虚拟环境,在该环境下安装labelimg


然后在该环境下输入labelimg即可打开标注程序。

2.开始标注

| w | 开始标注 |
| a | 前一张 |
| d | 后一张 |
配置好后就可以进行标注了。可以直接把需要标注的图片放到images文件夹下,生成的txt直接保存到labels文件夹下。当然得对应相应的训练集和验证集。训练集照片对应训练集的txt,验证集的照片对应测试集的txt。也就是说images和labels文件夹下的train和val是相互对应的。


这次任务我主要是标注的道路中间的白虚线、一些交通标志物和路灯。当然人、车这些也进行了标注。其中我一共分了7类。
- car
- zebra
- sign
- streetlight
- center_line
- person
- arrow
标注比较耗时,最终标注完后,要确保images和labels的照片和txt文件要一一对应否则后面训练会报错。
3.开始训练
-
编写yaml配置文件
在根目录的data文件夹下创建roadDetect.yaml参数文件,配置内容如下:

path: C:/Users/Xzwzh/Desktop/yolov5-master/datasets/roadDetect
train:
- images/train
val:
- images/val
# Classes
names: ['car', 'zebra', 'sign', 'streetlight', 'center_line', 'person', 'arrow', 'w']
配置路径和类就可以了。
-
开始训练
python train.py --img 640 --batch 16 --epoch 200 --data data/roadDetect.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt
我是在yolov5s的基础上进行训练的,由于数据量较小,我训练了200轮。

训练完之后再根目录 /run/train 目录下生成权重等文件

-
检测模型
python detect.py --weights ./runs/train/roadDect_200epochs/weights/best.pt --source ./data/images

结果如下:





四、数据集介绍
我用的是CULane 数据集,这个是行车记录仪记录的照片。我只用了一小部分。
我是根据上面这篇博客下载的CULane数据集。

我下载的这个数据集,解压之后是这种格式:

随后我利用python脚本处理数据。
1.提取所有照片
import os
import shutil
def rename_and_move_photos(source_dir, target_dir):
# 如果目标文件夹不存在,创建目标文件夹
if not os.path.exists(target_dir):
os.makedirs(target_dir)
# 计数器,用于重新命名照片
counter = 1
# 遍历源目录中的所有文件夹
for root, dirs, files in os.walk(source_dir):
# 遍历每个文件夹中的文件
for file in files:
# 如果文件是 jpg 图片
if file.lower().endswith('.jpg'):
# 构建源文件的完整路径
source_path = os.path.join(root, file)
# 新的文件名
new_name = f"{counter:04d}.jpg" # 例如 photo_0001.jpg
target_path = os.path.join(target_dir, new_name)
# 移动并重命名文件
shutil.copy2(source_path, target_path)
# 更新计数器
counter += 1
print(f"共提取并重命名了 {counter - 1} 张图片。")
# 示例使用,使用绝对路径
source_directory = "D:/CULane/driver_100_30frame/driver_100_30frame" # 这里填写源文件夹的绝对路径
target_directory = "C:/Users/Xzwzh/Desktop/道路数据集/train" # 这里填写目标文件夹的绝对路径
rename_and_move_photos(source_directory, target_directory)
2.随机抽取部分照片
import os
import random
import shutil
def random_select_and_rename(source_dir, target_dir, num_files):
# 获取源文件夹中所有 jpg 文件
jpg_files = [file for file in os.listdir(source_dir) if file.lower().endswith('.jpg')]
# 如果文件夹中没有 jpg 文件,打印提示并退出
if not jpg_files:
print("源文件夹中没有 .jpg 文件。")
return
# 随机选择 num_files 张照片
selected_files = random.sample(jpg_files, num_files)
# 如果目标文件夹不存在,创建目标文件夹
if not os.path.exists(target_dir):
os.makedirs(target_dir)
# 按顺序重命名并移动文件
for index, file in enumerate(selected_files, start=1):
# 构建源文件的完整路径
source_path = os.path.join(source_dir, file)
# 新的文件名
new_name = f"{index:04d}.jpg" # 例如 0001.jpg
target_path = os.path.join(target_dir, new_name)
# 复制并重命名文件
shutil.copy2(source_path, target_path)
print(f"已成功从 {source_dir} 中抽取 {num_files} 张照片,并重命名后移动到 {target_dir}。")
# 示例使用w
source_directory = "C:/Users/Xzwzh/Desktop/道路数据集/all" # 源文件夹路径
target_directory = "C:/Users/Xzwzh/Desktop/道路数据集/train" # 目标文件夹路径
num_files_to_select = 500 # 随机抽取的照片数量
random_select_and_rename(source_directory, target_directory, num_files_to_select)










3593



被折叠的 条评论
为什么被折叠?



