某盾之滑块识别

滑块可以使用cv2进行图像对比识别，也可以使用目标检测方式进行识别，目标检测推荐yolov5，这个不管是滑块还是点选都是很好用的。

1.安装

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

直接把项目拉下来就行。

虚拟环境下安装一下依赖pip install -r requirements.txt

之后就能用了。

对于yoloV5来说，最最关键的就是数据集的格式要满足要求。VOC格式并不能满足yoloV5的格式，所以我们需要用程序来替换

训练自定义模型之 yoloV5官方教程

Train Custom Data · ultralytics/yolov5 Wiki · GitHub

2.目录要求

yoloV5数据集位置和目录不支持中文路径。有能力的大佬们可以自己修改这个BUG。

yoloV5数据目录要求

images 下需要有：train / val与labels目录下文件名字一致

labels 下需要有： train / val 与images目录下文件名字一致

数据格式：类别与四个坐标归一化后的值

train.txt 所有参与训练的绝对路径

val.txt 所有参与验证的绝对路径

3.使用标注助手标注图片

将图片放到D:\yolov5-master\mydata\tongdun\JPEGImages目录下，进行标注

导出标注到Annotations目录下

4.如何将 VOC 数据集修改为 符合yoloV5条件的数据集？

1_makedir.py 创建yolo需要的目录

2_movefiles.py 把VOC标注好的数据，调整为符合yoloV5的数据

两个文件就完活。给大家写好了。

这两个文件的作用就是把VOC标注好的数据，调整为符合yoloV5的数据

2_movefiles.py 注意：文件需要自己修改类别，否则 labels会生成空文件

makedir.py

import os


#创建yolo需要的目录

baseDir = 'mydata/'
productDir = 'tongdun' #自定义目录
# 第一步。对目录环境进行检查，是否满足处理要求
def file_exists(filename, message):
    if not os.path.exists(filename):
        raise FileExistsError(message)
def make_dirs(dirs):
    try:
        os.makedirs(dirs)
    except FileExistsError:
        print(dirs + ' 目录存在，自动跳过')

# 第二步。创建关键目录
file_exists('Annotations', 'VOC标注，Annotations目录不存在')
file_exists('JPEGImages', 'VOC标注，JPEGImages 图片目录不存在')
make_dirs(baseDir+productDir+'/images/