[YOLO v5]在隧道雷达DZT预测中的应用
YOLO v5在隧道雷达DZT预测中的应用
YOLO v5训练自己数据集详细教程
🐛 🐛 现在YOLOv5 已经更新到5.0版本了,但是其训练方式同本Repo是一致的,只需要按照对应版本安装对应Python环境即可,其数据集的构建,配置文件的修改,训练方式等完全与本Repo一致!
西南交大-计算机与人工智能学院-1806
2021/08/27
本项目描述了雷达隧道检测dzt文件如何使用进行YOLO v5训练,下面是YOLOv5 的一些基础信息
但是YOLO v4的二作提供给我们的信息和官方提供的还是有一些出入:
0.环境配置
安装必要的python package和配置相关环境
pip3 install -U -r requirements.txt
具体环境如下:
absl-py 0.13.0
cachetools 4.2.2
certifi 2021.5.30
charset-normalizer 2.0.4
click 8.0.1
cycler 0.10.0
Cython 0.29.24
Flask 2.0.1
Flask-Cors 3.0.10
google-auth 1.35.0
google-auth-oauthlib 0.4.5
grpcio 1.39.0
idna 3.2
importlib-metadata 4.7.0
itsdangerous 2.0.1
Jinja2 3.0.1
kiwisolver 1.3.1
Markdown 3.3.4
MarkupSafe 2.0.1
matplotlib 3.4.3
numpy 1.21.2
oauthlib 3.1.1
opencv-python 4.5.3.56
pandas 1.3.2
Pillow 8.3.1
pip 21.0.1
protobuf 3.17.3
pyasn1 0.4.8
pyasn1-modules 0.2.8
pycocotools 2.0.2
pyparsing 2.4.7
python-dateutil 2.8.2
pytz 2021.1
PyYAML 5.4.1
requests 2.26.0
requests-oauthlib 1.3.0
rsa 4.7.2
scipy 1.7.1
seaborn 0.11.2
setuptools 52.0.0.post20210125
six 1.16.0
tensorboard 2.6.0
tensorboard-data-server 0.6.1
tensorboard-plugin-wit 1.8.0
thop 0.0.31.post2005241907
torch 1.9.0
torchvision 0.10.0
tqdm 4.62.2
typing-extensions 3.10.0.0
urllib3 1.26.6
Werkzeug 2.0.1
wheel 0.37.0
zipp 3.5.0
1.创建数据集的配置文件 DZT.yaml
找到[data/dzt.yaml]可以基于该yaml
修改自己数据集的yaml
文件,具体配置如下:
# train and val datasets (image directory or *.txt file with image paths)
train: /Users/chenyun/test/YOLO-v5/datasets/yolov5_dzt_data/images/train/ #修改数据集位置
val: /Users/chenyun/test/YOLO-v5/datasets/yolov5_dzt_data/images/train/
# 目前就2个分类,空动和不密实
nc: 2
# class names
names: ['tuokong','bumishi']
2.导出标注文件
在隧道雷达标注系统中标记完成图片之后,在浏览器运行**“http://0.0.0.0:5000/admin/dzt/yolov5**”,运行导出标记线程。同时注意查看控制台信息,待控制台导出完成之后,到 标记系统applications/static/yolov5_data 目录查看导出的训练标注文件。其中label目录中创建的*.txt
文件遵循如下规则:
- 每一行存放一个标注类别
- 每一行的内容包括
class x_center y_center width height
- Bounding box 的坐标信息是归一化之后的(0-1)
- class label转化为index时计数是从0开始的
每一个标注*.txt
文件存放在和图像相似的文件目录下,只需要将/images/*.jpg
替换为/lables/*.txt
即可(这个在加载数据时代码内部的处理就是这样的,可以自行修改为VOC的数据格式进行加载)
例如:
datasets/score/images/train/000000109622.jpg # image
datasets/score/labels/train/000000109622.txt # label
如果一个标注文件包含2个中空类别:
3.组织训练集的目录
将训练集train和验证集val的images和labels文件夹按照如下的方式进行存放
至此数据准备阶段已经完成,过程中我们假设算法工程师的数据清洗和数据集的划分过程已经自行完成。
4.选择模型backbone进行模型配置文件的修改
在项目的./models
文件夹下选择一个需要训练的模型,这里我们选择yolov5s.yaml,最大的一个模型进行训练,参考官方README中的table,了解不同模型的大小和推断速度。如果你选定了一个模型,那么需要修改模型对应的yaml
文件
# parameters
nc: 3 # number of classes <------------------ UPDATE to match your dataset
depth_multiple: 1.33 # model depth multiple
width_multiple: 1.25 # layer channel multiple
# anchors
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# yolov5 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Focus, [64, 3]], # 1-P1/2
[-1, 1, Conv, [128, 3, 2]], # 2-P2/4
[-1, 3, Bottleneck, [128]],
[-1, 1, Conv, [256, 3, 2]], # 4-P3/8
[-1, 9, BottleneckCSP, [256]],
[-1, 1, Conv, [512, 3, 2]], # 6-P4/16
[-1, 9, BottleneckCSP, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 8-P5/32
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 6, BottleneckCSP, [1024]], # 10
]
# yolov5 head
head:
[[-1, 3, BottleneckCSP, [1024, False]], # 11
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 12 (P5/32-large)
[-2, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 1, Conv, [512, 1, 1]],
[-1, 3, BottleneckCSP, [512, False]],
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 17 (P4/16-medium)
[-2, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 1, Conv, [256, 1, 1]],
[-1, 3, BottleneckCSP, [256, False]],
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 22 (P3/8-small)
[[], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
5.训练
#运行
$ python3 train.py --img-size 640 --batch-size 16 --epochs 300 --data ./data/dzt.yaml --cfg ./models/yolov5s.yaml
6.可视化
开始训练后,查看train*.jpg
图片查看训练数据,标签和数据增强,如果你的图像显示标签或数据增强不正确,你应该查看你的数据集的构建过程是否有问题
一个训练epoch完成后,查看test_batch0_gt.jpg
查看batch 0 ground truth的labels
查看test_batch0_pred.jpg
查看test batch 1的预测
训练的losses和评价指标被保存在Tensorboard和results.txt
log文件。results.txt
在训练结束后会被可视化为results.png
>>> from utils.utils import plot_results
>>> plot_results()
# 如果你是用远程连接请安装配置Xming: https://blog.csdn.net/akuoma/article/details/82182913
7.推断
$ python detect.py --weights yolov5s.pt #训练出的模型权重
--source file.jpg # image
./dir # directory
输出预测结果下如图:
8.相关技术
[1].https://github.com/ultralytics/yolov5
[2].https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data