前言

        很多人在训练yolov5目标检测的时候，标签只能显示英文的。怎么样才可以训练一个可以检测物体并且显示中文标签的模型呢。下面我们来一步一步的做。

1、有中文标签的数据集

   首先在收集数据集的时候，打部分公开的数据集，标签都是英文的，格式都是voc格式，文件是xml文件，当然xml文件格式的标签是特别直观的，直观的知道标签中的图片大小，标注位置，还有标注的类别。虽然训练yolov5的时候用的是yolo格式的数据集，但是大家在标注数据集的时候尽量标注为voc格式，这样方便又直观，然后训练YOLOv5模型的时候有代码可以一键转换。代码博客：目标检测---数据集格式转化及训练集和验证集划分。

        自己制作中文标签的数据集的话，利用labelimg这个工具标注数据集的时候，将标签改成中文就好了，具体的教程博客：目标检测---利用labelimg制作自己的深度学习目标检测数据集。

        如果这里有一份英文标签的voc格式的数据集，可以利用如下的代码将数据集中的英文标签转为中文标签。

# encoding:utf-8
import os
import xml.etree.ElementTree as ET
 
count = 0
list_xml = []
dict = {"ball": "足球",
        "messi": "梅西",
        }
 
openPath = "VOCdevkit\VOC2007\Annotations"
savePath = "VOCdevkit\VOC2007\Annotations1"
fileList = os.listdir(openPath)         # 得到进程当前工作目录中的所有文件名称列表
for fileName in fileList:               # 获取文件列表中的文件
    if fileName.endswith(".xml"):       # 只看xml文件
        print("filename=:", fileName)
        tree = ET.parse(os.path.join(openPath, fileName))
        root = tree.getroot()
        print("root-tag=:", root.tag)   # ',root-attrib:', root.attrib, ',root-text:', root.text)
        for child in root: # 第一层解析
            if child.tag == "object":   # 找到object标签
                print(child.tag)
                for sub in child:
                    if sub.tag == "name":
                        print("标签名字:", sub.tag, ";文本内容:", sub.text)
                        if sub.text not in list_xml:
                            list_xml.append(sub.text)
                        if sub.text in list(dict.keys()):
                            sub.text = dict[sub.text]
                            print(sub.text)
                            count = count + 1
        tree.write(os.path.join(savePath, fileName), encoding='utf-8')
    print("=" * 20)
 
print(count)
for i in list_xml:
    print(i)

     这个代码也可以将中文标签的voc格式的数据集转化为英文标签的数据集。如下图所示，将中文和英文的位置调换就可以了。

        中文标签的voc格式的数据集，可以利用目标检测---数据集格式转化及训练集和验证集划分这篇博客中的代码将voc格式的数据集转化为yolo数据集，并划分为训练集和验证集。

        至此中文标签的数据集就准备好了

 2、yolov5代码修改为支持中文标签

        特别要说明一下，该博客所用的是yolov5的5.0版本。

        （1）train.py文件修改，在py文件中的63行，代码修改如下：

with open(opt.data, encoding='UTF-8') as f:

        （2）test.py文件文件修改，在py文件中的73行，代码修改如下：

with open(opt.data, encoding='UTF-8') as f:

        （3）utils/general.py文件文件修改，在这个代码中导入如下的包：

from PIL import Image, ImageDraw, ImageFont

        （4）utils/plots.py文件修改，在py文件中的64行，修改 plot_one_box 函数，if label之后的代码改为：

tf = max(tl - 1, 1)  # font thickness
t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0]
font_size = t_size[1]
font = ImageFont.truetype('msyh.ttc', font_size)
t_size = font.getsize(label)
c2 = c1[0] + t_size[0], c1[1] - t_size[1]
cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA)  # filled
img_PIL = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
draw = ImageDraw.Draw(img_PIL)
draw.text((c1[0], c2[1] - 2), label, fill=(255, 255, 255), font=font)
return cv2.cvtColor(np.array(img_PIL), cv2.COLOR_RGB2BGR)

（5）utils/plots.py文件修改，在py文件中的184行，修改plot_images 函数：

mosaic = plot_one_box(box, mosaic, label=label, color=color, line_thickness=tl)

（6）detect.py文件修改，在py文件中的113行，代码修改如下：

im0 = plot_one_box(xyxy, im0, label=label, color=colors(c, True), line_thickness=3)

    至此为了支持中文标签的代码就修改完了。

        如果后面的模型训练和推理测试工作可以参考博客：目标检测---教你利用yolov5训练自己的目标检测模型。

        这里特别要说明一下，就是修改data目录下的yaml文件的时候，那个标签也一定要对应标注的中文类别。