网站建设与维护 参考文献,深圳百度关键词推广,网页游戏排行榜前十名评论,北海做网站公司YOLOV5s 吸烟目标检测
参考学习
文章目录 本原创项目长期更新#xff0c;旨在完成校园异常行为实时精检测#xff0c;作到集成N次开发优化#xff08;不止局限于调包#xff09;为止#xff0c;近期将不断更新如下模型数据标注文件教程。关注博主#xff0c;Star 一下g…YOLOV5s 吸烟目标检测
参考学习
文章目录 本原创项目长期更新旨在完成校园异常行为实时精检测作到集成N次开发优化不止局限于调包为止近期将不断更新如下模型数据标注文件教程。关注博主Star 一下github一块儿开始美妙的目标检测之路吧~~1、项目展现2、项目资源共享 1训练图片香烟图片吸烟手势烟雾3、实践教学 3.1环境配置3.2数据标注与预处理 3.2.1附上本身的Lablimg简易教学3.2.2 几个本身写的脚本用于转换数据集与训练前准备3.2.3 切分训练集与测试集4、开始训练 4.1开始训练4.2训练过程4.3训练优化4.4 训练参数5、实时检测 运行detect.py便可6、YOLO系列可视化对比7、写在后面 所有连接传送门 首先附上Github传送门https://github.com/CVUsers/Smoke-Detect-by-YoloV5/tree/master而后根据本文手把手配置环境训练本身数据或者使用我训练好的模型进行使用。用yolov5s训练好的已经放在了里面用大模型训练的因为大小缘由须要的话能够戳最下方微信私聊我免费。python
1、项目展现 左图为原图右图为推理后的图片以图片方式展现视频流和实时流也能达到这个效果因为视频大小缘由暂不上传感兴趣的朋友细细往下看并点个关注哟git
测试配置GTX1050ti不堪入目可是实验效果还不错再这样弱的配置下使用YOLOv5sYOlov5m等皆能达到30fps。github
2、项目资源共享
1训练图片香烟图片吸烟手势烟雾
香烟图片本身编写爬虫爬了1w张筛选下来有近1000张可用以及其余途径获取到的总共暂时5k张将来会愈来愈多后续须要的能够私聊我如今先放出5k张图片另外加上本身辛辛苦苦使用Labelimg标注的几千张图片的XML文件也一并送上香烟图片质量可查传送门连接https://pan.baidu.com/s/1t8u94x51TO7pLciU8AoaiQ 提取码n2wr以下图web 吸烟手势图片算法 火灾烟雾数据集微信
这个数据集我已经有了10万左右数据部分是朋友的不知能不能开源我能够送上本身收集的几万数据集。传送门框架 项目框架YOLOV5——Pytorch实现dom
送上做者源码传送门https://github.com/ultralytics/yolov5固然也能够直接使用个人https://github.com/CVUsers/Smoke-Detect-by-YoloV5/tree/master。ide
标注工具Labelimgsvg
附上Windows工具在我上面的github里面有哟下载好放置桌面比较方便。
3、实践教学
3.1环境配置
本例以使用YOLov5做者源码步骤
Cython
numpy1.17
opencv-python
torch1.4
matplotlib
pillow
tensorboard
PyYAML5.3
torchvision
scipy
tqdm个人是torch 1.5 gpu版
在git clone下做者的v5源码后 目录切至requirement.txt 下而后
pip install -U -r requirements.txt若是须要使用混合精度模型来作训练安装Apex
git clone https://github.com/NVIDIA/apex cd apex 而后切换至目录下
pip install -v --no-cache-dir --global-option--cpp_ext --global-option--cuda_ext . --user cd .. rm -rf apex3.2数据标注与预处理
以吸烟数据集为例
在百度网盘下载好个人数据集和XML
如果想从新训练的话
3.2.1附上本身的Lablimg简易教学 标注好会生成XML文件XML里面包含了四个点坐标和图片的名字与size。
而后在data下新建几个文件夹 将咱们的XML文件放至Annotations
将咱们的图片放到images
在ImageSets中新建Main 和test.txt 和train.txt
再新建labels存放接下来生成的标签
3.2.2 几个本身写的脚本用于转换数据集与训练前准备
第一个XML文件转label.txt文件
首先写个os操做读一下data/images中图片这个几行搞定要注意要写成我这样的哟 不用生成.jpg能够经过split(’.’)再复制到ImageXML中 而后运行voc_label.py脚本
# 坐标xml转txt
import os
import xml.etree.ElementTree as ETclasses [smoke] # 输入名称必须与xml标注名称一致def convert(size, box):print(size, box)dw 1. / size[0]dh 1. / 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_id):print(image_id)in_file open(r./data/Annotations/%s.xml % (image_id), rb) # 读取xml文件路径out_file open(./data/labels/%s.txt % (image_id), w) # 须要保存的txt格式文件路径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):cls obj.find(name).textif cls not in classes: # 检索xml中的名称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)image_ids_train open(./ImageXML.txt).read().strip().split() # 读取xml文件名索引for image_id in image_ids_train:print(image_id)convert_annotation(image_id)
须要注意如果有中文路径的话请这样读文件 open(r./data/Annotations/%s.xml % (image_id), rb)接下来就会在data/labels中看到全部的txt标签 每一个txt文本会生成一共5个数字第一个是整形的数表示类别:0表明第一类以此类推后面四个数字是坐标经过归一化后的表示。
3.2.3 切分训练集与测试集
执行train_test_split.py
import os
import randomtrainval_percent 1 # 可自行进行调节
train_percent 1
xmlfilepath ./data/Annotations
txtsavepath ./data/ImageSets\Main
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(ImageSets/Main/trainval.txt, w)
ftest open(./data/ImageSets/Main/test.txt, w)
ftrain open(./data/ImageSets/Main/train.txt, w)
# fval open(ImageSets/Main/val.txt, w)for i in list:name total_xml[i][:-4] \nif 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()
其中trainval_percent 1表示验证集比例1表明19 若是有5000张图片就会切割成4500张训练集和500张验证集。
trainval_percent 1 # 可自行进行调节运行path_trans补全路径并写入train.txt
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import joinsets [train, test]classes [smoke] # 本身训练的类别def convert(size, box):dw 1. / size[0]dh 1. / 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_id):in_file open(data/Annotations/%s.xml % (image_id), rb)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).textcls obj.find(name).textif cls not in classes or int(difficult) 1: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()
for image_set in sets:if not os.path.exists(data/labels/):os.makedirs(data/labels/)image_ids open(data/ImageSets/Main/%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()接下来编写yaml文本 见smoke.yaml 将咱们上一步生成的train.txt 和test.txt 补全路径后的这两个txt路径写入到yaml中而后nc修改成本身类别的数量以及names【‘smoke’】
4、开始训练
4.1开始训练
在上面咱们作好数据预处理后就能够开始训练了上面的一些处理步骤每一个人均可能不一样不过大致上思路是一致的。
接下来咱们能够进行预训练下载官方的预训练模型 yolov5s yolov5m yolov5l yolov5x来 我在个人github中方了yolov5s比较小只有25mb专门为移动端考虑了真好。
固然也能够不使用预训练模型使用与否在总时间上是差很少的不过
为何要使用预训练模型
做者已尽其所能设计了基准模型。咱们能够在本身的数据集上使用预训练模型而不是从头构建模型来解决相似的天然语言处理问题。
尽管仍然须要进行一些微调但它已经为咱们节省了大量的时间一般是每一个损失降低更快和计算资源节省。
加快梯度降低的收敛速度
更有可能得到一个低模型偏差或者低泛化偏差的模型
下降因未初始化或初始化不当致使的梯度消失或者梯度爆炸问题。此状况会致使模型训练速度变慢崩溃直至失败。
其中随机初始化能够打破对称性从而保证不一样的隐藏单元能够学习到不一样的东西
接下来开始训练 python train.py --data data/smoke.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt --batch-size 10 --epochs 100
解释一下 咱们–data data/smoke.yaml 中就是在smoke.yaml中撰写的训练代码路径和类别等data经过这个获取训练的图片和label标签等。
而后-cfg models/yolov5s.yaml 和 --weights weights/yolov5s.pt是获取配置和预训练模型权重
batch-size 10 你们都懂default是16你们能够改为16在yolov5s中模型参施很少百万左右因此显存消耗很少个人配置不好显存4g在使用yolov5m中以及不能调到16。
会报cuda out of memory 报错就把batch size下降就行。
而后最后是epoch这个也不用解释我在使用yolov5m训练5k张图片在100epoch中花费 了24小时一个epoch13分钟。
训练过程当中会慢慢在runs中生成tensorboard可视化损失降低
固然也能够在本地稍微看看
这幅图中咱们的类别只有1个第三幅图显示了咱们数据中的宽高比归一化后广泛在0.1左右说明数据确实很小也会面临模糊问题致使数据质量下降。
4.2训练过程 分别是epoch显存消耗…其余的你们能够查看源码
4.3训练优化
使用混合精度模型
在前面配置好环境后
mixed_precision True
try: # Mixed precision training https://github.com/NVIDIA/apexfrom apex import amp
except:print(Apex recommended for faster mixed precision training: https://github.com/NVIDIA/apex)mixed_precision False # not installed判断是否可用apex作混合精度模型训练
而后 if mixed_precision:model, optimizer amp.initialize(model, optimizer, opt_levelO1, verbosity0)在optimizer中amp初始化一下 o1表明级别注意是欧 不是零。
接着 if mixed_precision:with amp.scale_loss(loss, optimizer) as scaled_loss:scaled_loss.backward()优化反向传播。
组装到cuda训练 opt.img_size.extend([opt.img_size[-1]] * (2 - len(opt.img_size))) # extend to 2 sizes (train, test)device torch_utils.select_device(opt.device, apexmixed_precision, batch_sizeopt.batch_size)if device.type cpu:mixed_precision False4.4 训练参数 详情参见注释。
5、实时检测
运行detect.py便可 其中推理一张图片那么就在–source中的default写上图片路径
也能够如图写上整个图片文件夹这样会检测全部图片。
也能够写上视频地址和视频文件夹检测全部视频存放于inference 的out中。
改为0 就是实时检测了~默认电脑摄像头固然也能够改为手机。这个也很简单须要的能够私聊我微信会放在最下方。 帧率很高普通设备也能达到30可谓是速度极快要是你们设备好一些能够试一下YOLOv5L和YOLOV5x跑完了能够私聊分享一下与我交流。
6、YOLO系列可视化对比
类别100类
每类300张图片
测试图片1087张阀值0.5 ,预测正确 yolov3-tiny yolov4 yolov5预测结果 737 954 955
模型大小 33.97M 246.19M 28.99M(yolov5s.pt)
yolov5s的精度和yolov4差很少但模型大小只有yolov4的11.77%我的数据集数据可能有点误差但仍是能说明问题的
实时对比 附上视频https://www.bilibili.com/video/av328439400/
7、写在后面
这篇文章大体介绍了yolov5的自训练接下来咱们能够进行调优。已经作消融对比实验慢慢的更熟悉目标检测。继续我会在下篇中介绍文中的一些技术栈让你们知根知底。
所有连接传送门
最后再发一次全部的连接
香烟数据集连接https://pan.baidu.com/s/1t8u94x51TO7pLciU8AoaiQ 提取码n2wr
吸烟手势数据集连接https://pan.baidu.com/s/1BSH4yn3GBzF3hDTWAqKzDQ 提取码9r8t
烟雾数据集连接https://pan.baidu.com/s/1RKvkkmfpHiPunkFMAEdoAQ 提取码ag0x
YOLOv5 原做者githubhttps://github.com/ultralytics/yolov5
个人github https://github.com/CVUsers/Smoke-Detect-by-YoloV5/tree/master 欢迎star 将长期更新
最后还有不少知识点没分享关注一下博主下次分享。
另外欢迎加入深度学习算法交流群与群内工程师朋友门一块儿交流学术共商算法加油
