神经网络组植物分类学习规划与本周进展综述15
一、关于 “搭建共享空间 / 百度网盘” （百度网盘）
介绍：用一个大家都能随时访问的地方，统一存放项目中所有文件，避免两个人各存一份导致版本混乱。比如你们俩分工标注图片、写代码，如果你存自己电脑里，组员 B 看不到；如果用 U 盘传，容易丢文件。
用网盘 / 共享空间的好处是：
标注好的图片、训练好的模型、写的代码，传上去后两个人随时能下载最新版本；
老师要查看进度时，直接发链接就能分享，不用一个个文件发；
防止电脑坏了、文件误删导致数据丢失。
具体操作（以百度网盘为例）：
一人注册百度网盘，创建文件夹，命名为 “植物 - 土壤分割项目”；
里面再建 4 个子文件夹：
01_原始影像（存 QGIS 组给的预处理图片）
02_标注数据（存你们用 LabelMe 标好的图片和.json 文件）
03_代码与模型（存 YOLOv5 代码、训练好的.pt 模型、配置文件）
04_结果与论文（存分割结果图、蒸散量数据、小论文）
右键文件夹→“共享”，生成链接发给组员，设置 “可编辑” 权限，两人就能共同上传 / 下载文件了。
二、YOLOv5 训练代码完全入门指南（从 0 开始，复制就能用）
不用自己 “写代码”，YOLOv5 官网已经做好了所有核心代码，只需要改几个配置文件 + 运行现成的命令。以下是一步一步的操作：
Step 1：下载 YOLOv5 代码（5 分钟）
打开电脑的 “命令提示符”（Win+R 输入 cmd），复制粘贴下面的代码，按回车：
# 安装git（如果没有的话，先运行这个，装完后重启cmd）
conda install git # 下载YOLOv5代码到电脑
git clone https://github.com/ultralytics/yolov5
cd yolov5 # 进入下载好的yolov5文件夹
Step 2：安装依赖（10 分钟）
还是在 cmd 里，输入：
# 安装需要的Python库（自动安装torch、opencv等）
pip install -r requirements.txt Step 3：准备数据集（关键！对应之前的标注数据）
1.假设你们已经用 LabelMe 标好了 50 张图，现在要把它们转换成 YOLO 能识别的格式：
在yolov5文件夹里，新建一个data文件夹，再在里面建 4 个子文件夹：
2.转换 LabelMe 的.json 到 YOLO 的.txt：
复制下面的代码，保存为json2yolo.py，放在yolov5文件夹里，然后把所有标注好的.json 文件和图片放在同一个文件夹，运行这个脚本（需要改代码里的路径）：
import json
import os
from PIL import Image# 改这里：你的标注文件（.json）所在的文件夹
json_dir = "C:/你的标注文件夹路径"
# 改这里：转换后的txt标签要存的位置（对应train或val的labels文件夹）
txt_dir = "yolov5/data/labels/train" # 类别：0=plant，1=soil（和你标注时的名称对应）
class_names = ["plant", "soil"] for json_file in os.listdir(json_dir): if json_file.endswith(".json"): with open(os.path.join(json_dir, json_file), "r", encoding="utf-8") as f: data = json.load(f) # 获取图片尺寸 img_path = os.path.join(json_dir, data["imagePath"]) img = Image.open(img_path) width, height = img.size # 生成txt标签 txt_name = json_file.replace(".json", ".txt") with open(os.path.join(txt_dir, txt_name), "w") as f: for shape in data["shapes"]: cls = class_names.index(shape["label"]) # 类别编号 points = shape["points"] # 多边形坐标 # 转换坐标为YOLO格式（归一化到0-1） normalized = [] for (x, y) in points: normalized.append(x / width) normalized.append(y / height) # 写入txt：类别 坐标1 坐标2 ... f.write(f"{cls} " + " ".join(map(str, normalized)) + "\n") Step 4：写配置文件（告诉 YOLO 你的数据集信息）
在yolov5/data文件夹里，新建一个plant_soil.yaml文件，用记事本打开，复制下面的内容：
# 训练集和验证集的图片路径（相对于yolov5文件夹）
train: data/images/train
val: data/images/val # 类别数
nc: 2 # 类别名称（和标注时一致）
names: [ 'plant', 'soil' ] Step 5：开始训练（核心命令，复制运行）
在 cmd 里进入yolov5文件夹，输入训练命令：
# 用预训练模型yolov5s.pt开始训练，epochs=50（训练轮数），batch-size=8（根据电脑配置调整）
python train.py --data data/plant_soil.yaml --weights yolov5s.pt --epochs 50 --batch-size 8 --img 640 第一次运行会自动下载yolov5s.pt预训练模型（小文件，很快）；
训练时会显示进度，最后在yolov5/runs/train/exp/weights里生成best.pt（最好的模型）和last.pt（最后一轮模型）。
Step 6：用训练好的模型做分割（测试效果）
找一张没训练过的图片，放在yolov5/test.jpg，运行：
python detect.py --weights runs/train/exp/weights/best.pt --source test.jpg
结果会存在yolov5/runs/detect/exp里，打开图片就能看到植物和土壤被不同颜色标注出来了。
三、分工建议（针对代码部分）
1.一人负责 “数据准备”：用 LabelMe 标注图片，运行json2yolo.py转换标签，整理到data文件夹，确保路径正确；
2.另一人负责 “代码运行”：安装环境，修改plant_soil.yaml配置文件，运行训练和测试命令，把训练好的模型传到共享网盘。