Pytorch实现YOLOv3训练自己的数据集_yolov4训练自己的数据 pytorch

1.说明：
最近一直在研究深度学习框架PyTorch,就想使用pytorch去实现YOLOv3的object detection.在这个过程中也在各大论坛、贴吧、CSDN等中看了前辈们写的文章，在这里由衷的感谢帮助过我的朋友们，真的很感谢！！！！
接下来就将这一过程写在下面，希望对在学习计算机视觉的小伙伴有一定的帮助
2.环境：
笔者的环境:
ubuntu18.04
PyTorch 1.1.0
anaconda
opencv-python
tqdm
matplotlib
pycocotools
如果没有实验环境可以使用如下的方法进行构建：
建议大家安装anaconda，安装过程自行Google，这里就不做过多的解释了

pip install opencv-python pip install tqdm pip install matplotlib pip install pycocotools

制作数据集时，我们需要使用labelImge标注工具，安装过程请参考安装标注工具

本次我们使用的数据集已经标注好了，我们直接拿过来用：https://github.com/cosmicad/dataset

制作数据集
https://github.com/ultralytics/yolov3
首先从上述链接上将pytorch框架clone下来，放在pycharm的工程目录下，这里我把文件重新命名为YOLOV3,这个随便大家。

需要说明一下，clone下来的文件一开始是没有makeTxt.py和voc_label.py文件的，这两个需要我们后面自己写代码
相关准备
将数据集Annotations、JPEGImages复制到YOLOV3工程目录下的data文件下；同时新建两个文件夹，分别命名为ImageSets和labels，最后我们将JPEGImages文件夹复制粘贴一下，并将文件夹重命名为images

数据装载
在工程的根目录下新建一个文件makeTxt.py，代码如下：
构建代码

import os import random trainval_percent = 0.1 train_percent = 0.9 xmlfilepath = 'data/Annotations' txtsavepath = 'data/ImageSets' total_xml = os.listdir(xmlfilepath) num = len(total_xml) list = range(num) tv = int(num * trainval_percent) tr = int(tv * train_percent) trainval = random.sample(list, tv) train = random.sample(trainval, tr) ftrainval = open('data/ImageSets/trainval.txt', 'w') ftest = open('data/ImageSets/test.txt', 'w') ftrain = open('data/ImageSets/train.txt', 'w') fval = open('data/ImageSets/val.txt', 'w') for i in list: name = total_xml[i][:-4] + '\n' if i in trainval: ftrainval.write(name) if i in train: ftest.write(name) else: fval.write(name) else: ftrain.write(name) ftrainval.close() ftrain.close() fval.close() ftest.close()

接着再新建另一个文件voc_label.py，代码如下：

import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join sets = ['train', 'test','val'] classes = ["RBC"] def convert(size, box): dw = 1. / size[0] dh = 1. / size[1] x = (box[0] + box[1]) / 2.0 y = (box[2] + box[3]) / 2.0 w = box[1] - box[0] h = box[3] - box[2] x = x * dw w = w * dw y = y * dh h = h * dh return (x, y, w, h) def convert_annotation(image_id): in_file = open('data/Annotations/%s.xml' % (image_id)) out_file = open('data/labels/%s.txt' % (image_id), 'w') tree = ET.parse(in_file) root = tree.getroot() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) for obj in root.iter('object'): difficult = obj.find('difficult').text cls = obj.find('name').text if cls not in classes or int(difficult) == 1: continue cls_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() print(wd) for image_set in sets: if not os.path.exists('data/labels/'): os.makedirs('data/labels/') image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split() list_file = open('data/%s.txt' % (image_set), 'w') for image_id in image_ids: list_file.write('data/images/%s.jpg\n' % (image_id)) convert_annotation(image_id) list_file.close()

分别运行makeTxt.py和voc_label.py
运行makeTxt.py后ImagesSets后面会出现四个文件，如下图：
主要存储图片名称
在这里插入图片描述
运行voc_label.py后labels后，如下图所示：
这里得到的不光是文件名，还有文件的具体路径

接着还要配置两个文件
在data文件下新建rbc.data，配置内容如下：

classes=1 train=data/train.txt valid=data/test.txt names=data/rbc.names backup=backup/ eval=coco

再在data文件下新建rbc.names，配置内容如下：

RBC

在这里插入图片描述

修改cfg

我们需要将cfg下的yolov3-tiny.cfg文件进行修改，修改内容如下：

[net] # Testing batch=1 subdivisions=1 # Training # batch=64 # subdivisions=2 width=416 height=416 channels=3 momentum=0.9 decay=0.0005 angle=0 saturation = 1.5 exposure = 1.5 hue=.1 learning_rate=0.001 burn_in=1000 max_batches =  policy=steps steps=, scales=.1,.1 [convolutional] batch_normalize=1 filters=16 size=3 stride=1 pad=1 activation=leaky [maxpool] size=2 stride=2 [convolutional] batch_normalize=1 filters=32 size=3 stride=1 pad=1 activation=leaky [maxpool] size=2 stride=2 [convolutional] batch_normalize=1 filters=64 size=3 stride=1 pad=1 activation=leaky [maxpool] size=2 stride=2 [convolutional] batch_normalize=1 filters=128 size=3 stride=1 pad=1 activation=leaky [maxpool] size=2 stride=2 [convolutional] batch_normalize=1 filters=256 size=3 stride=1 pad=1 activation=leaky [maxpool] size=2 stride=2 [convolutional] batch_normalize=1 filters=512 size=3 stride=1 pad=1 activation=leaky [maxpool] size=2 stride=1 [convolutional] batch_normalize=1 filters=1024 size=3 stride=1 pad=1 activation=leaky [convolutional] batch_normalize=1 filters=256 size=1 stride=1 pad=1 activation=leaky [convolutional] batch_normalize=1 filters=512 size=3 stride=1 pad=1 activation=leaky [convolutional] size=1 stride=1 pad=1 filters=18 activation=linear [yolo] mask = 3,4,5 anchors = 10,14, 23,27, 37,58, 81,82, 135,169, 344,319 classes=1 num=6 jitter=.3 ignore_thresh = .7 truth_thresh = 1 random=1 [route] layers = -4 [convolutional] batch_normalize=1 filters=128 size=1 stride=1 pad=1 activation=leaky [upsample] stride=2 [route] layers = -1, 8 [convolutional] batch_normalize=1 filters=256 size=3 stride=1 pad=1 activation=leaky [convolutional] size=1 stride=1 pad=1 filters=18 #3*(class + 4 + 1) activation=linear [yolo] mask = 0,1,2 anchors = 10,14, 23,27, 37,58, 81,82, 135,169, 344,319 classes=1 num=6 jitter=.3 ignore_thresh = .7 truth_thresh = 1 random=1

需要将filters=18 #3(class + 4 + 1)这一行改为filters=18，否则会报如下的错误：*
在这里插入图片描述
接着，获取网络参数yolov3-tiny.weights，下载链接https://pjreddie.com/media/files/yolov3-tiny.weights，下载后导入weights文件夹下；同样还需要下载yolov3-tiny.conv.15，下载导入weights文件夹下，下载链接如下：https://pan.baidu.com/s/1nv1cErZeb6s0A5UOhOmZcA
提取码：t7vp

训练

在当前项目文件下使用Terminal，可以使用pycharm中的Terminal，也可以使用liunx系统的Terminal,输入如下命令
说明：epoches 10 不是固定的，大家可以根据实际训练情况自行修改

python train.py --data-cfg data/rbc.data --cfg cfg/yolov3-tiny.cfg --epochs 10

在这里插入图片描述
训练之后会得到模型：

预测

同样在Terminal下输入以下命令：

python detect.py --data-cfg data/rbc.data --cfg cfg/yolov3-tiny.cfg --weights weights/best.pt

在这里插入图片描述

解决一些小bug:

关于出现如下的情况
在这里插入图片描述
解决方法：
这个问题是由于本项目下有一个utils的文件目录，但是呢python本身就有一个utils；通常情况下我们是用import utils的方法导入的。解决这个问题我们只需将本项目的utils改一个名字即可，笔者是改为project的，同样也需要将相关文件进行修改，修改如下：
在这里插入图片描述

说明：我们需要将train.py和test.py等文件下的所有的utils全修改为project
有问题欢迎添加:讨论，进步

完整项目源码：

链接：https://pan.baidu.com/s/1dBaDP0ImTrAADg_KvB-0eQ

到此这篇Pytorch实现YOLOv3训练自己的数据集_yolov4训练自己的数据 pytorch的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！

上一篇：数仓建模—数据网格_数仓数据模型

下一篇：数据库, 数据仓库, 数据集市，数据湖，数据中台_数据湖和数据仓库的区别

版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/kjbd-gc/6092.html

制作数据集

相关准备

数据装载

构建代码

修改cfg

训练

预测

解决一些小bug:

完整项目源码：

相关文章：