重庆网站开发哪家专业,网站建设服务包括什么,wordpress 评论倒序,网站月流量5g文章目录
一、YOLOV5下载地址
二、版本及配置说明
三、初步测试
四、制作自己的数据集及转txt格式
1、数据集要求
2、下载labelme
3、安装依赖库
4、labelme操作
五、.json转txt、.xml转txt
六、修改配置文件
1、coco128.yaml-ddjc_parameter.yaml
2、yolov5x.…文章目录
一、YOLOV5下载地址
二、版本及配置说明
三、初步测试
四、制作自己的数据集及转txt格式
1、数据集要求
2、下载labelme
3、安装依赖库
4、labelme操作
五、.json转txt、.xml转txt
六、修改配置文件
1、coco128.yaml-ddjc_parameter.yaml
2、yolov5x.yaml-ddjc_model.yaml
八、调train和detect的参数并开始训练
1、在train.py寻找函数def parse_opt(knownFalse)更改参数
2、train运行结果
3、在detect.py寻找函数def parse_opt()更改参数 YOLOv5是一种单阶段目标检测算法该算法在YOLOv4的基础上添加了一些新的改进思路使其速度与精度都得到了极大的性能提升。YOLOv5是Glenn Jocher等人研发它是Ultralytics公司的开源项目。YOLOv5根据参数量分为了n、s、m、l、x五种类型其参数量依次上升当然了其效果也是越来越好。从2020年6月发布至2022年11月已经更新了7个大版本在v7版本中还添加了语义分割的功能。 一、YOLOV5下载地址
GitHub官方下载推荐https://github.com/ultralytics/yolov5
二、版本及配置说明
我是用cpu训练的如果有条件的可以使用gpu进行训练训练速度会相差10倍。当然用gpu下载pytorch的时候要下载cuda版本。我采用的是AnacondaPycharm的配置大家要了解一些关于pip和conda的指令方便管理包和环境。当我们下好yolov5后可以发现有一个requirements.txt文件使用Anaconda Prompt切换到Yolov5的位置pip install -r requirements.txt即可一步到位全部下完。下面是requirements.txt文件的内容。 # YOLOv5 requirements
# Usage: pip install -r requirements.txt# Base ----------------------------------------
matplotlib3.2.2
numpy1.18.5
opencv-python4.1.1
Pillow7.1.2
PyYAML5.3.1
requests2.23.0
scipy1.4.1 # Google Colab version
torch1.7.0
torchvision0.8.1
tqdm4.41.0
protobuf4.21.3 # https://github.com/ultralytics/yolov5/issues/8012# Logging -------------------------------------
tensorboard2.4.1
# wandb# Plotting ------------------------------------
pandas1.1.4
seaborn0.11.0# Export --------------------------------------
# coremltools4.1 # CoreML export
# onnx1.9.0 # ONNX export
# onnx-simplifier0.3.6 # ONNX simplifier
# scikit-learn0.19.2 # CoreML quantization
# tensorflow2.4.1 # TFLite export
# tensorflowjs3.9.0 # TF.js export
# openvino-dev # OpenVINO export# Extras --------------------------------------
ipython # interactive notebook
psutil # system utilization
thop # FLOPs computation
# albumentations1.0.3
# pycocotools2.0 # COCO mAP
# roboflows 三、初步测试
配置完成后运行detect.py如果一切正常那么可以在runs/detect/exp中能发现被处理过的标签就成功了如果没有显示下图那么可能是有的库的版本不对应可以根据报错提示用pip uninstall 包后下载相应版本要多试因为有的库与库之间是相互联系的。 四、制作自己的数据集及转txt格式
1、数据集要求
我的数据集为跌倒检测方面的有1000张上千张时处理后效果较好。
在yolov5中新建一个ddjc的文件夹包含以下文件夹 2、下载labelme
这个是对图片进行标注的工具
下载地址GitHub - labelmeai/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation). - labelmeai/labelmehttps://github.com/wkentaro/labelme
下载压缩包后解压即可。
3、安装依赖库
在Anaconda Prompt里安装pyqt5和labelmepyqt5是labelme的依赖项。
pip install pyqt5
pip install labelme
4、labelme操作
然后在Anaconda Prompt里输入labelme打开界面如下右击点击rectangle即画矩形框框选你要识别训练的东西。 框选之后输入标签的名字注意可以框选多个作为标签。框选完一张图后保存然后接着下一张图。保存的文件格式是.json
五、.json转txt、.xml转txt yolov5只识别txt所以要将标注后的数据集转化为txt。 转换的时候可能会有问题可以移步我的这篇博客统计XML文件内标签的种类和其数量及将xml格式转换为yolov5所需的txt格式-CSDN博客 我用的是公开的数据集格式为.xml转换时也遇到了目录和无法统计标签的过程但都得以解决。
在你设置好的绝对路径下新建转换py文件代码为
.xml-txt
import xml.etree.ElementTree as ETimport pickle
import os
from os import listdir, getcwd
from os.path import join
import globclasses [fall, no fall, no fall, nofall]def convert(size, box):dw 1.0 / size[0]dh 1.0 / size[1]x (box[0] box[1]) / 2.0y (box[2] box[3]) / 2.0w box[1] - box[0]h box[3] - box[2]x x * dww w * dwy y * dhh h * dhreturn (x, y, w, h)def convert_annotation(image_name):in_file open(./labels/train1/ image_name[:-3] xml) # xml文件路径out_file open(./labels/train/ image_name[:-3] txt, w) # 转换后的txt文件存放路径f open(./labels/train1/ image_name[:-3] xml)xml_text f.read()root ET.fromstring(xml_text)f.close()size root.find(size)w int(size.find(width).text)h int(size.find(height).text)for obj in root.iter(object):cls obj.find(name).textif cls not in classes:print(cls)continuecls_id classes.index(cls)xmlbox obj.find(bndbox)b (float(xmlbox.find(xmin).text), float(xmlbox.find(xmax).text), float(xmlbox.find(ymin).text),float(xmlbox.find(ymax).text))bb convert((w, h), b)out_file.write(str(cls_id) .join([str(a) for a in bb]) \n)wd getcwd()if __name__ __main__:for image_path in glob.glob(./images/train/*.jpg): # 每一张图片都对应一个xml文件这里写xml对应的图片的路径image_name image_path.split(\\)[-1]convert_annotation(image_name)
.json-txt
import json
import osname2id {hero:0,sodier:1,tower:2}#标签名称def convert(img_size, box):dw 1. / (img_size[0])dh 1. / (img_size[1])x (box[0] box[2]) / 2.0 - 1y (box[1] box[3]) / 2.0 - 1w box[2] - box[0]h box[3] - box[1]x x * dww w * dwy y * dhh h * dhreturn (x, y, w, h)def decode_json(json_floder_path, json_name):txt_name C:\\Users\\86189\\Desktop\\ json_name[0:-5] .txt#存放txt的绝对路径txt_file open(txt_name, w)json_path os.path.join(json_floder_path, json_name)data json.load(open(json_path, r, encodinggb2312,errorsignore))img_w data[imageWidth]img_h data[imageHeight]for i in data[shapes]:label_name i[label]if (i[shape_type] rectangle):x1 int(i[points][0][0])y1 int(i[points][0][1])x2 int(i[points][1][0])y2 int(i[points][1][1])bb (x1, y1, x2, y2)bbox convert((img_w, img_h), bb)txt_file.write(str(name2id[label_name]) .join([str(a) for a in bbox]) \n)if __name__ __main__:json_floder_path #存放json的文件夹的绝对路径json_names os.listdir(json_floder_path)for json_name in json_names:decode_json(json_floder_path, json_name)
转换完成后的txt文件 第一个数字是数据集中第0个种类其余均是与坐标相关的值。有几个标签就有几个种类。
六、修改配置文件
1、coco128.yaml-ddjc_parameter.yaml
在yolov5/data/coco128.yaml中先复制一份粘贴到ddjc中改名为ddjc_parameter.yaml意义为ddjc的参数配置
ddjc_parameter.yaml文件需要修改的参数是nc与names。nc是标签名个数names就是标签的名字跌倒检测有4个标签标签名字都如下[fall, no fall, no fall, nofall] 路径解释如何正确使用机器学习中的训练集、验证集和测试集-CSDN博客
2、yolov5x.yaml-ddjc_model.yaml
yolov5有4种配置不同配置的特性如下我选择yolov5x效果较好但是训练时间会很长。 在yolov5/models先复制一份yolov5x.yaml到ddjc更名为ddjc_model.yaml意为模型只将如下的nc修改为标签的个数。 八、调train和detect的参数并开始训练
1、在train.py寻找函数def parse_opt(knownFalse)更改参数
parser argparse.ArgumentParser()
parser.add_argument(--weights, typestr, defaultyolov5x, helpinitial weights path) # 修改处 初始权重
parser.add_argument(--cfg, typestr, defaultROOT /ddjc/ddjc_model.yaml, helpmodel.yaml path) # 修改处 训练模型文件
parser.add_argument(--data, typestr, defaultROOT /ddjc/ddjc_parameter.yaml, helpdataset.yaml path) # 修改处 数据集参数文件
parser.add_argument(--hyp, typestr, defaultROOT / data/hyps/hyp.scratch-low.yaml, helphyperparameters path) # 超参数设置
parser.add_argument(--epochs, typeint, default50) # 修改处 训练轮数
parser.add_argument(--batch-size, typeint, default16, helptotal batch size for all GPUs, -1 for autobatch) # 修改处 batch size
parser.add_argument(--imgsz, --img, --img-size, typeint, default384, helptrain, val image size (pixels))# 修改处 图片大小
parser.add_argument(--rect, actionstore_true, helprectangular training)
parser.add_argument(--resume, nargs?, constTrue, defaultFalse, helpresume most recent training)
parser.add_argument(--nosave, actionstore_true, helponly save final checkpoint)
parser.add_argument(--noval, actionstore_true, helponly validate final epoch)
parser.add_argument(--noautoanchor, actionstore_true, helpdisable AutoAnchor)
parser.add_argument(--noplots, actionstore_true, helpsave no plot files)
parser.add_argument(--evolve, typeint, nargs?, const300, helpevolve hyperparameters for x generations)
parser.add_argument(--bucket, typestr, default, helpgsutil bucket)
parser.add_argument(--cache, typestr, nargs?, constram, help--cache images in ram (default) or disk)
parser.add_argument(--image-weights, actionstore_true, helpuse weighted image selection for training)
parser.add_argument(--device, defaultcpu, helpcuda device, i.e. 0 or 0,1,2,3 or cpu)#修改处选择
parser.add_argument(--multi-scale, actionstore_true, helpvary img-size /- 50%%)
parser.add_argument(--single-cls, actionstore_true, helptrain multi-class data as single-class)
parser.add_argument(--optimizer, typestr, choices[SGD, Adam, AdamW], defaultSGD, helpoptimizer)
parser.add_argument(--sync-bn, actionstore_true, helpuse SyncBatchNorm, only available in DDP mode)
parser.add_argument(--workers, typeint, default10, helpmax dataloader workers (per RANK in DDP mode))#修改处
修改处的解释
我们训练的初始权重的位置是以.pt结尾的文件训练模型文件在本项目中对应ddjc_model.yaml数据集参数文件在本项目中对于ddjc_parameter.yaml超参数设置是人为设定的参数。包括学习率不用改训练轮数决定了训练时间与训练效果。如果选择训练模型是yolov5x.yaml那么大约200轮数值就稳定下来了收敛我设置的50轮因为这大概已经需要25h的时间了批量处理文件数这个要设置地小一些否则会out of memory。这个决定了我们训练的速度图片大小虽然我们训练集的图片是已经固定下来了但是传入神经网络时可以resize大小太大了训练时间会很长且有可能报错这个根据自己情况调小一些断续训练如果说在训练过程中意外地中断那么下一次可以在这里填True会接着上一次runs/exp继续训练GPU加速填0是电脑默认的CUDA前提是电脑已经安装了CUDA才能GPU加速训练安装过程可查博客填cpu就是用gpu进行训练。多线程设置越大读取数据越快但是太大了也会报错因此也要根据自己状况填小。
2、train运行结果 结果保存在runs/train/exp中多次训练就会有exp1、exp2我这里训练到第五轮了。 best.pt和last.pt是我们训练出来的权重文件用于detect.py。last是最后一次的训练结果best是效果最好的训练结果只是看起来但是泛化性不一定强。
3、在detect.py寻找函数def parse_opt()更改参数
parser argparse.ArgumentParser()
parser.add_argument(--weights, nargs, typestr, defaultROOT /runs/train/exp7/weights/last.pt, helpmodel path(s)) # 修改处 权重文件
parser.add_argument(--source, typestr, defaultROOT /wzry/datasets/images/test/SVID_20210726_111258_1.mp4, helpfile/dir/URL/glob, 0 for webcam)# 修改处 图像、视频或摄像头
parser.add_argument(--data, typestr, defaultROOT / ddjc/ddjc_parameter.yaml, help(optional) dataset.yaml path) # 修改处 参数文件
parser.add_argument(--imgsz, --img, --img-size, nargs, typeint, default[640], helpinference size h,w) # 修改处 高 宽
parser.add_argument(--conf-thres, typefloat, default0.50, helpconfidence threshold) # 置信度
parser.add_argument(--iou-thres, typefloat, default0.45, helpNMS IoU threshold)# 非极大抑制
parser.add_argument(--max-det, typeint, default1000, helpmaximum detections per image)
parser.add_argument(--device, defaultcpu, helpcuda device, i.e. 0 or 0,1,2,3 or cpu) # 修改处
运行结果在runs/detect/exp中。
九、我训练过程中存在并调试好的一些问题
请移步YOLOv5训练过程中的各种报错-CSDN博客
希望能帮到大家若需要数据集和训练好的模型请留言。
