乒乓球检测训练系统+数据标注工具(prepare_dataset)

这是一个基于 YOLOv5 的乒乓球检测系统，支持数据采集、标注和模型训练。特别优化了在 Apple Silicon (M1/M2) Mac 上的训练性能。

python的数据标注工具prepare_dataset.py文件。

功能特点

1. 数据采集

   • 支持摄像头实时采集
   • 自动编号和保存
   • 支持多种图像格式

2. 数据标注

   • 手动标注工具
   • 自动标注功能
   • 实时预览和编辑
   • 支持标注验证

3. 数据增强

   • 自动数据增强
   • 多种增强方式
   • 自动保存增强结果

4. 模型训练

   • 支持 Apple Silicon GPU 加速
   • 自动内存优化
   • 训练进度可视化
   • 支持断点续训

系统要求

• Python 3.8 或更高版本
• PyTorch 2.0 或更高版本
• OpenCV
• 摄像头（用于数据采集）
• 足够的存储空间（建议 10GB 以上）

安装步骤

1. 克隆仓库：

git clone [https://github.com/Orlando-Lin/tabletennis_yolov5.git]
cd [项目目录]

2. 安装依赖：

pip install -r requirements.txt

3. 安装 PyTorch（Mac M1/M2）：

pip install --upgrade torch torchvision torchaudio

使用说明

1. 启动程序

python prepare_dataset.py

2. 选择操作模式

程序提供以下操作选项：

1. 从摄像头捕获
2. 自动标注
3. 手动标注
4. 数据增强
5. 转换 VOC 数据集
6. 执行所有操作

3. 数据采集

• 运行程序选择选项 1
• 按 's' 保存图像
• 按 'q' 退出采集

4. 手动标注

• 运行程序选择选项 3
• 使用鼠标拖动绘制标注框
• 使用界面按钮进行操作：
  • Save: 保存当前标注
  • Clear: 清除当前标注
  • Prev/Next: 切换图片
  • Delete: 删除标注

5. 训练模型

python train_model.py

训练过程会自动：

• 选择合适的设备（MPS/CPU）
• 优化内存使用
• 显示训练进度
• 保存训练结果

6. 查看训练进度

tensorboard --logdir yolov5/runs/train

访问 http://localhost:6006 查看训练曲线

文件结构

.
├── prepare_dataset.py    # 数据准备主程序
├── train_model.py        # 模型训练程序
├── dataset/             # 数据集目录
│   ├── images/         # 图像文件
│   └── labels/         # 标注文件
├── yolov5/             # YOLOv5 目录
└── requirements.txt    # 依赖列表

注意事项

1. 数据采集

   • 确保光线充足
   • 保持摄像头稳定
   • 采集不同角度的图像

2. 标注要求

   • 标注框要紧贴乒乓球边缘
   • 确保标注准确性
   • 检查标注质量

3. 训练优化

   • Mac 用户建议使用 MPS 加速
   • 根据内存大小调整批次大小
   • 适当调整图像尺寸

4. 常见问题

   • 如果出现内存不足，尝试减小批次大小
   • 如果训练速度慢，可以减小图像尺寸
   • 如果标注不准确，增加训练轮数

更新日志

• v1.0.0
  • 初始版本发布
  • 支持基本功能
  • 添加 Mac M1/M2 支持

贡献指南

欢迎提交 Issue 和 Pull Request 来改进项目。

许可证

本项目采用 MIT 许可证。

联系方式

如有问题，请通过以下方式联系：

• Email: [Cao_mouiller@163.com]
• GitHub: [https://github.com/Orlando-Lin]
• gitee: [https://gitee.com/orlando_lin]