1 数据组织

（1）coco128数据集

这里我们使用coco数据集，但coco数据集实在太大，这里我们使用coco128数据集，因为只有128张图片，复制和解压的速度可以很快，coco128数据集下载链接为：https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip
在当前目录下建立一个名为data的文件夹，将coco128整个文件夹放入data中，此时项目结构如下图所示：

打开 data/coco128/labels/train2017/000000000009.txt，可以看到

每行第一个数字为目标的类别编号，第二个是边框中心点的横坐标，第三个是纵坐标，第四个是边框的宽，第五个是边框的高，中心点坐标和宽高均为归一化后的结果。

进入data/coco128/images/train2017中，可以看到有一个名称为“.DS_Store”的文件，将这个文件删掉，防止其被当成样本

（2）从训练集中划分出验证集

在data/coco128下新一个名为“划分数据集.py”的Python脚本，该脚本的程序设计思路为：先求有多少图片（使用os.listdir将图片目录中的图片文件名，做成一张列表，求列表的长度），再生成10个随机数，作为索引从图片名够成的列表中获取10张图片的名称，将这10张图片的路径写进一个名为“val_path.txt”的文件中，再将其余的图片写入一个名为“train_path.txt”的文件中。代码如下：

import os
import random
random.seed(10)# 从图片路径中获取图片名
images_path = r"F:\thesis\yolo3_from_scratch\data\coco128\images\train2017"
images_names = os.listdir(images_path)      # 以列表的方式返回一级子目录
images_num = len(images_names)# 随机获取10个数，作为图片名列表的索引，进而获得图片名
num_val = 10                # 验证集的数目
idx_img = random.sample(range(0, images_num), num_val)   # 生成不重复的num_val个随机数# 生成验证集样本的名字，构成一个列表
val_names = [images_names[i] for i in idx_img]
# print(val_names)# 生成训练集样本的名字，构成一个列表
train_names = [images_names[i] for i in range(images_num) if i not in idx_img]
# print(train_names)# 将训练集样本的路径写入txt文件
with open(r"F:\thesis\yolo3_from_scratch\data\coco128\train_path.txt", 'w') as f:for file_name in train_names:f.write(os.path.join(images_path, file_name)+'\n')# 将验证集样本的路径写入txt文件
with open(r"F:\thesis\yolo3_from_scratch\data\coco128\val_path.txt", 'w') as f:for file_name in val_names:f.write(os.path.join(images_path, file_name)+'\n')

程序执行后，项目结构为：

其中，train_path.txt文件内容如下：

val_path.txt文件内容如下：

至此，数据组织完毕。

2 为数据集创建类

在utils的目录下，新建一个文件，取名为datasets.py，此时，项目结构变成了

在datasets.py中，先写入需要的模块：

import os
from PIL import Image
import torch
from torch.utils.data import Dataset
import torchvision.transforms as transforms
import numpy as np
import random
random.seed(0)

当然，上面的模块还不够，但剩余的我们可以在建立类的过程中逐渐加入。

在datasets.py中，建立一个数据集类，该类继承torch.utils.data中的Dataset类，自制的数据集类必须实现三个函数: init、len__和__getitem，分别是初始化类，求长度len(obj)，通过索引获得单个样本及其标签。

初始化函数没什么好讲的，其代码如下：

class ListDataset(Dataset):def __init__(self, list_path, img_size=416, augment=True, multiscale=True, normalized_labels=True):''':param list_path: 一个txt文件，比如我们前面写的train_path.txt和val_path.txt:param img_size: 数据图片要转成成的高:param augment: 是否使用数据增强:param multiscale: 是否进行多尺度变换（看self.collate_fn就能明白它的作用）:param normalized_labels: 标签是否已经归一化，即boundingbox的中心坐标，高宽等是否已经归一化'''with open(list_path, "r") as file:self.img_files = file.readlines()   # 读取txt文件的内容，将样本路径读取出来# 标签的路径，可以根据样本的路径来获得，只需要将路径名中的images改成labels，后缀改成txt就行self.label_files = [path.replace("images", "labels").replace(".png", ".txt").replace(".jpg", ".txt")for path in self.img_files]self.img_size = img_size    # 图片处理成方形后的高宽（图片在输入模型前要处理成方形）self.max_objects = 100      # 一张图片中的最大目标数self.augment = augmentself.multiscale = multiscaleself.normalized_labels = normalized_labelsself.min_size = self.img_size - 3 * 32  # 在进行多尺度变换时的最小尺度self.max_size = self.img_size + 3 * 32  # 在进行多尺度变换时的最大尺度self.batch_count = 0                    # 统计已经遍历了多少个batch# TODO max_objects是用来干嘛的

求长度的函数，也比较简单，代码如下：

    def __len__(self):return len(self.img_files)

比较难的是getitem函数，要返回指定索引的图片和标签，在函数返回之前，必须将图片和标签做成张量，还涉及到标签是否归一化的问题，所以比较繁琐。

我们先来对图片处理，其代码如下：

    def __getitem__(self, index):img_path = self.img_files[index % len(self.img_files)].rstrip()     # 获取图片的路径名# Extract image as PyTorch tensorimg = transforms.ToTensor()(Image.open(img_path).convert('RGB'))    # 读取图片并转化为torch张量# mage.open(img_path)读取图片，返回Image对象，不是普通的数组# convert('RGB')进行通道转换，因为当图像格式为RGBA时，Image.open(‘xxx.jpg’)读取的格式为RGBA# Handle images with less than three channelsif len(img.shape) != 3:img = img.unsqueeze(0)img = img.expand((3, img.shape[1:]))# 图片有可能是一张灰度图，那么img.shape就是（h, w）# unsqueeze(0)之后，就是img.shape就是（1, h, w）# img.expand((3, img.shape[1:])) 即为 img.expand((3, h, w))_, h, w = img.shapeh_factor, w_factor = (h, w) if self.normalized_labels else (1, 1)# h_factor, w_factor在后面用来反算目标在图片中的具体坐标，看到本函数的后面，自然能明白# 如果已经归一化，那么比例因子就是图片的真实高宽# 如果未归一化，那比例因子就是1# Pad to square resolutionimg, pad = pad_to_square(img, 0)        _, padded_h, padded_w = img.shape

这里出现了pad_to_square函数，它通过letter_box算法，将图片变成方形，我们可以在ListDataset类的后面，加上pad_to_square的代码：

import torch.nn.functional as F
def pad_to_square(img, pad_value):"""该函数是将图片扩充成正方形:param img: 图片张量:param pad_value:   用来填充的值，即左右或者上下的条:return:"""c, h, w = img.shapedim_diff = np.abs(h - w)# (upper / left) padding and (lower / right) paddingpad1, pad2 = dim_diff // 2, dim_diff - dim_diff // 2# Determine padding pad = (0, 0, pad1, pad2) if h <= w else (pad1, pad2, 0, 0)# (0, 0, pad1, pad2)和(pad1, pad2, 0, 0)，括号中的四个值，分别表示左右上下# 如果h小于w，那么就是在上下填充，否则在左右填充# 因为后面使用F.pad函数，第二个参数是pad，它是一个包含四个数的元组# Add paddingimg = F.pad(img, pad, "constant", value=pad_value)return img, pad

我们回到ListDataset类的getitem函数中来，既然对图片进行letter_box处理了，那么对应的标签也要做相应的变换，代码如下：

        label_path = self.label_files[index % len(self.img_files)].rstrip() # 获取标签路径targets = Noneif os.path.exists(label_path):f = open(label_path, 'r')if f.readlines() != []:# 有些图片没有目标，但有标签文件，这些标签文件中没有内容# 我们这边只处理有内容的标签文件，对于没有内容的标签文件，让targets等于Noneboxes = torch.from_numpy(np.loadtxt(label_path).reshape(-1, 5))# Extract coordinates for unpadded + unscaled image# 获取bbox左上角和右下角点在原始图片上的真实坐标x1 = w_factor * (boxes[:, 1] - boxes[:, 3] / 2)y1 = h_factor * (boxes[:, 2] - boxes[:, 4] / 2)x2 = w_factor * (boxes[:, 1] + boxes[:, 3] / 2)y2 = h_factor * (boxes[:, 2] + boxes[:, 4] / 2)# Adjust for added padding# 由于已经被调整成了方形，因此需要加上pad的尺寸x1 += pad[0]y1 += pad[2]x2 += pad[1]y2 += pad[3]# Returns (x, y, w, h)# 求归一化后的中心点坐标和高宽boxes[:, 1] = ((x1 + x2) / 2) / padded_wboxes[:, 2] = ((y1 + y2) / 2) / padded_hboxes[:, 3] *= w_factor / padded_wboxes[:, 4] *= h_factor / padded_htargets = torch.zeros((len(boxes), 6))targets[:, 1:] = boxes          # 后面5列分别是bbox的位置和高宽，然后是分类索引# target第0列，根据后面的collate_fn函数，可以看到第0列是图片在batch中的索引# Apply augmentations# 随机进行水平翻转if self.augment:if np.random.random() < 0.5:img, targets = horisontal_flip(img, targets)f.close()return img_path, img, targets

这里出现了horisontal_flip函数，它是自定定义的水平翻转操作，以此作为数据增强的方法。在utils目录下，新建一个名为“augmentations.py”的脚本，其代码如下：

import torch
def horisontal_flip(images, targets):"""水平翻转:param images:图片张量:param targets:标签:return:"""images = torch.flip(images, [-1])   # 按照指定维度进行翻转，-1表示最后一个维度，即为宽targets[:, 2] = 1 - targets[:, 2]   # 中心点横坐标也要随机翻转，因为已经归一化，所以直接用1减就行return images, targets

记得在datasets.py中加入下面一句话：

from utils.augmentations import horisontal_flip

此时，项目结构为：

这里我们可以在“/yolo3_from_scratch”下写一个测试脚本datasets_test.py：

# coding=utf-8
import torch
from utils.datasets import ListDatasettrain_path = r"F:\thesis\yolo3_from_scratch\data\coco128\train_path.txt"
dataset = ListDataset(train_path, augment=True, multiscale=True)dataloader = torch.utils.data.DataLoader(dataset,batch_size=2,shuffle=True
) 

输出：

之所以会出现这种情况，是因为两张图片的尺寸不一样，他们在经过letter_box之后，无法堆叠，这里需要我们在ListDataset类中增加一个collate_fn函数，来将两个图形缩放成相同的尺寸。关于collate_fn函数，可以看这篇文章：
https://blog.csdn.net/qq_43391414/article/details/120462055

    def collate_fn(self, batch):"""用于整理数据:param batch: 若干次__getitem__函数返回的内容组成的列表假如说batch_size为2，那么batch就是由2个元素组成的列表，每个元素代表一次__getitem__函数的返回结果__getitem__函数的返回值有三个部分组成：img_path, img, targets那么batch的每个元素就是一个元组，包含了img_path, img, targets:return:"""paths, imgs, targets = list(zip(*batch))    # zip括号中的参数*开头，表示解压缩# 上条命令执行之后，paths, imgs, targets都将成为元组，# 以paths为例，上述命令执行后，paths将成为由两个图片路径构成的元组# Add sample index to targets 将图片在batch中的索引，加到target的第0个列for i, boxes in enumerate(targets):if boxes is not None:boxes[:, 0] = i     # i表示当前batch中的第i张图片# Remove empty placeholder targets 有些图片没有目标，那么它对应的标签就是Nonetargets = [boxes for boxes in targets if boxes is not None]  # 保留非None的标签targets = torch.cat(targets, 0)     # 标签级联，targets在转化前是一个元组# Selects new image size every tenth batchif self.multiscale and self.batch_count % 10 == 0:  # 每10个batch，随机改变一下尺度self.img_size = random.choice(range(self.min_size, self.max_size + 1, 32))# range函数的第三个参数是32，能保证随机获得的新尺寸是32的倍数，# 因为是backbone是32倍下采样，如果不是32的倍数，那么卷积核不能完全把图片扫描# 将图片缩放到指定尺寸imgs = torch.stack([resize(img, self.img_size) for img in imgs])    #self.batch_count += 1# 图片缩放之后，之所以标签不用改变，是因为标签已经归一化了，所以无需转换return paths, imgs, targets

上面的程序段中，出现了list(zip(*batch))和resize，我们先说一下list(zip(*batch))，通过下面的程序段可以了解它的功能：

# 这段代码与YOLOv3无关，仅仅解释list(zip(*batch))实现了什么
a = ('a', 25, 1)
b = ('b', 43, 0)
L= [a, b]
m = zip(*L)     # zip对象
print(m)
print(list(m))

输出：

<zip object at 0x00000000026828C0>
[('a', 'b'), (25, 43), (1, 0)]

collate_fn中出现了resize函数，可以在datasets.py中加上这个函数：

def resize(image, size):"""将图片缩放成指定尺寸:param image: 图片张量:param size:  指定尺寸，高和宽都是这个值，也就是说，本函数缩放的是正方形:return:"""image = F.interpolate(image.unsqueeze(0), size=size, mode="nearest").squeeze(0)return image

对测试脚本稍作修改，修改后的datasets_test.py代码如下：

# coding=utf-8
import torch
from utils.datasets import ListDatasettrain_path = r"F:\thesis\PyTorch-YOLOv3\data\coco\trainvalno5k.txt"
dataset = ListDataset(train_path, augment=True, multiscale=True)dataloader = torch.utils.data.DataLoader(dataset,batch_size=2,shuffle=True,collate_fn=dataset.collate_fn,  #
)for batch_i, (_, imgs, targets) in enumerate(dataloader):print(batch_i)print("imgs.shape:", imgs.shape)print("targets.shape:", targets.shape)break

输出：

0
imgs.shape: torch.Size([2, 3, 384, 384])
targets.shape: torch.Size([6, 6])

另外，为了测试数据集类对于没有内容的标签文件的处理，还可以再写一个测试脚本，测试批量导入数据时，能否正确的处理没有目标的标签文件。

# 测试batch为5的时候，第18个batch的targets中，是否有图片索引为1的行
# 1表示第2张图片，即000000000508.jpg的在batch中的索引，而000000000508.jpg中没有目标
# 因为000000000508.jpg就在train_path.txt的第87行，因为这张图片的索引为86，是在第18个batch中
# 可以看看返回的targets的最后几行的图片索引import torch
from utils.datasets import ListDatasettrain_path = r"F:\thesis\yolo3_from_scratch\data\coco128\train_path.txt"
dataset = ListDataset(train_path, augment=True, multiscale=True)
dataloader = torch.utils.data.DataLoader(dataset,batch_size=5,shuffle=False,              # 这边不能打乱collate_fn=dataset.collate_fn,  #
)for batch_i, (imgs_path, imgs, targets) in enumerate(dataloader):if batch_i<17:continueprint(targets[:3, :])   # 只显示前三行，因为索引为85的图片，只有一个目标# 如果第2行以2开头，那说明程序修改的正确，如果以1开头，说明程序出问题break# 通过输出可以看到，targets的第2行是以2开头，说明程序对00....0508.txt处理得当。

输出：

打开划分数据时建立的文件train_path.txt，可以看到502.jpg，508.jpg，510.jpg三个文件是相邻的

至此数据集类初步建立起来了，后续我们会根据需要继续加入一下方法和类。

下一章我们讲解一下训练YOLOv3模型。