位置: IT常识 - 正文

YOLOV7训练自己的数据集以及训练结果分析(手把手教你)(yolov7训练自己的模型用 flask封装)

编辑:rootadmin
YOLOV7训练自己的数据集以及训练结果分析(手把手教你) YOLOV7训练自己的数据集以及训练结果分析(手把手教你)

推荐整理分享YOLOV7训练自己的数据集以及训练结果分析(手把手教你)(yolov7训练自己的模型用 flask封装),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:yolov3训练自己的数据超详细,yolov7训练自己的模型用 flask封装,yolov7训练自己的模型用 flask封装,yolov7训练自己的模型用 flask封装,yolov7训练自己的模型,yolov7训练自己的数据就精准率召回率为0,yolov7训练自己的模型用 flask封装,yolov7训练自己的模型,内容如对您有帮助,希望把文章链接给更多的朋友!

YOLOV7训练自己的数据集整个过程主要包括:环境安装----制作数据集----参数修改----模型测试----模型推理

一:环境安装conda create -n yolov7 python=3.8conda activate yolov7#cuda cudnn torch等版本就不细说了,根据自己的显卡配置自行下载#v7 guihub代码地址 https://github.com/WongKinYiu/yolov7git clone https://github.com/WongKinYiu/yolov7.git #下载到本地也行#cd到v7项目中conda activate yolov7pip install -r requirements.txt二: 制作数据集

labelme标注的数据格式是VOC,而YOLOv7能够直接使用的是YOLO格式的数据,因此下面将介绍如何将自己的数据集转换成可以直接让YOLOv7进行使用。

1. 创建数据集

在data目录下新建Annotations, images, ImageSets, labels 四个文件夹 images目录下存放数据集的图片文件 Annotations目录下存放图片的xml文件(labelImg标注)

其中目录结构如下

.├── ./data│ ├── ./data/Annotations│ │ ├── ./data/Annotations/35.xml│ │ ├── ./data/Annotations/36.xml│ │ ├── ...│ ├── ./data/images│ │ ├── ./data/images/35.jpg│ │ ├── ./data/images/36.jpg│ │ ├── ...│ ├── ./data/ImageSets│ └── ./data/labels│ ├── ./data/coco.yaml│ ├── ./data/hyp.scratch.p5.yaml│ ├── ./data/hyp.scratch.p6.yaml│ ├── ./data/hyp.scratch.tiny.yaml├── ./cfg├── ./detect.py├── ./figure├── ./hubconf.py├── ./inference├── ./models├── ./README.md├── ....2. 按比例划分数据集

在yolov7根目录下新建一个文件splitDataset.py 随机分配训练/验证/测试集图片,代码如下所示:

import osimport randomtrainval_percent = 0.9train_percent = 0.9xmlfilepath = '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: ftrain.write(name) else: fval.write(name) else: ftest.write(name)ftrainval.close()ftrain.close()fval.close()ftest.close()3. 将xml文件转换成YOLO系列标准读取的txt文件

在同级目录下再新建一个文件XML2TXT.py 注意classes = [“…”]一定需要填写自己数据集的类别,在这里我是一个类别"fall",因此classes = [“ship”],代码如下所示: 如果数据集中的类别比较多不想手敲类别的,可以使用(4)中的脚本直接获取类别,同时还能查看各个类别的数据量,如果不想可以直接跳过(4)。

# -*- coding: utf-8 -*-# xml解析包import xml.etree.ElementTree as ETimport pickleimport osfrom os import listdir, getcwdfrom os.path import joinsets = ['train', 'test', 'val']classes = ['fall']# 进行归一化操作def convert(size, box): # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax) dw = 1./size[0] # 1/w dh = 1./size[1] # 1/h x = (box[0] + box[1])/2.0 # 物体在图中的中心点x坐标 y = (box[2] + box[3])/2.0 # 物体在图中的中心点y坐标 w = box[1] - box[0] # 物体实际像素宽度 h = box[3] - box[2] # 物体实际像素高度 x = x*dw # 物体中心点x的坐标比(相当于 x/原图w) w = w*dw # 物体宽度的宽度比(相当于 w/原图w) y = y*dh # 物体中心点y的坐标比(相当于 y/原图h) h = h*dh # 物体宽度的宽度比(相当于 h/原图h) return (x, y, w, h) # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]# year ='2012', 对应图片的id(文件名)def convert_annotation(image_id): ''' 将对应文件名的xml文件转化为label文件,xml文件包含了对应的bunding框以及图片长款大小等信息, 通过对其解析,然后进行归一化最终读到label文件中去,也就是说 一张图片文件对应一个xml文件,然后通过解析和归一化,能够将对应的信息保存到唯一一个label文件中去 labal文件中的格式:calss x y w h  同时,一张图片对应的类别有多个,所以对应的bunding的信息也有多个 ''' # 对应的通过year 找到相应的文件夹,并且打开相应image_id的xml文件,其对应bund文件 in_file = open('data/Annotations/%s.xml' % (image_id), encoding='utf-8') # 准备在对应的image_id 中写入对应的label,分别为 # <object-class> <x> <y> <width> <height> out_file = open('data/labels/%s.txt' % (image_id), 'w', encoding='utf-8') # 解析xml文件 tree = ET.parse(in_file) # 获得对应的键值对 root = tree.getroot() # 获得图片的尺寸大小 size = root.find('size') # 如果xml内的标记为空,增加判断条件 if size != None: # 获得宽 w = int(size.find('width').text) # 获得高 h = int(size.find('height').text) # 遍历目标obj for obj in root.iter('object'): # 获得difficult ?? difficult = obj.find('difficult').text # 获得类别 =string 类型 cls = obj.find('name').text # 如果类别不是对应在我们预定好的class文件中,或difficult==1则跳过 if cls not in classes or int(difficult) == 1: continue # 通过类别名称找到id cls_id = classes.index(cls) # 找到bndbox 对象 xmlbox = obj.find('bndbox') # 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax'] b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) print(image_id, cls, b) # 带入进行归一化操作 # w = 宽, h = 高, b= bndbox的数组 = ['xmin','xmax','ymin','ymax'] bb = convert((w, h), b) # bb 对应的是归一化后的(x,y,w,h) # 生成 calss x y w h 在label文件中 out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')# 返回当前工作目录wd = getcwd()print(wd)for image_set in sets: ''' 对所有的文件数据集进行遍历 做了两个工作:    1.将所有图片文件都遍历一遍,并且将其所有的全路径都写在对应的txt文件中去,方便定位    2.同时对所有的图片文件进行解析和转化,将其对应的bundingbox 以及类别的信息全部解析写到label 文件中去      最后再通过直接读取文件,就能找到对应的label 信息 ''' # 先找labels文件夹如果不存在则创建 if not os.path.exists('data/labels/'): os.makedirs('data/labels/') # 读取在ImageSets/Main 中的train、test..等文件的内容 # 包含对应的文件名称 image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split() # 打开对应的2012_train.txt 文件对其进行写入准备 list_file = open('data/%s.txt' % (image_set), 'w') # 将对应的文件_id以及全路径写进去并换行 for image_id in image_ids: list_file.write('data/images/%s.jpg\n' % (image_id)) # 调用 year = 年份 image_id = 对应的文件名_id convert_annotation(image_id) # 关闭文件 list_file.close()4. 查看自定义数据集标签类别及数量

在同级目录下再新建一个文件ViewCategory.py,将代码复制进去

import osfrom unicodedata import nameimport xml.etree.ElementTree as ETimport globdef count_num(indir): label_list = [] # 提取xml文件列表 os.chdir(indir) annotations = os.listdir('.') annotations = glob.glob(str(annotations) + '*.xml') dict = {} # 新建字典,用于存放各类标签名及其对应的数目 for i, file in enumerate(annotations): # 遍历xml文件 # actual parsing in_file = open(file, encoding='utf-8') tree = ET.parse(in_file) root = tree.getroot() # 遍历文件的所有标签 for obj in root.iter('object'): name = obj.find('name').text if (name in dict.keys()): dict[name] += 1 # 如果标签不是第一次出现,则+1 else: dict[name] = 1 # 如果标签是第一次出现,则将该标签名对应的value初始化为1 # 打印结果 print("各类标签的数量分别为:") for key in dict.keys(): print(key + ': ' + str(dict[key])) label_list.append(key) print("标签类别如下:") print(label_list)if __name__ == '__main__': # xml文件所在的目录,修改此处 indir = 'data/Annotations' count_num(indir) # 调用函数统计各类标签数目

至此数据集的准备已经就绪,索引文件在data目录下的train.txt/val.txt/test.txt

5. 完整的数据集文件

images目录下存放数据集的图片文件 Annotations目录下存放图片的xml文件(labelImg标注) label:txt文件 xx.cache不用在意有没有

三:参数修改1. 修改模型配置文件

进入cfg/training文件夹,选择需要训练的模型配置文件,这里选择yolov7.yaml,将其中的nc修改为自己的类别数量,这里修改为1(根据自己的类别自定义)

2. 修改数据加载配置文件

在data/文件夹,新建ship.yaml(根据自己的类被自定义)内容如下:

train: ./data/train.txtval: ./data/val.txttest: ./data/test.txt# number of classesnc: 1# class namesnames: ['ship']

至此,配置文件修改完成

四:模型训练

yolov7仓库中有两个训练脚本,一个叫train.py,一个叫train_aux.py,前者是训练P5的模型,包含yolov7-tiny、yolov7-tiny-silu、yolov7、yolov7x,后者是训练P6的模型,包含yolov7-w6、yolov7-e6、yolov7-d6、yolov7-e6e。 yolov7.yaml 是在3.1修改的 ship.yaml是在3.2新建的 epochs 不用设置那么高 我对自己的数据集就设置了10轮

# 训练P5模型python train.py --weights yolov7.pt --data data/ship.yaml --epochs 300 --batch-size 8 --cfg cfg/training/yolov7.yaml --workers 0 --device 0 --img-size 640 640# 训练P6模型python train_aux.py --weights yolov7-e6e.pt --data data/fall.yaml --epochs 300 --batch-size 8 --cfg cfg/training/yolov7-e6e.yaml --workers 0 --device 0 --img-size 1280 1280

其中,weights是指预训练模型权重,可以去yolov7官方链接下载,指定到相应目录下(推荐),如果没有配置网络可能会存在git不了权重文件 epochs:指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。 batch-size:一次看完多少张图片才进行权重更新,梯度下降的mini-batch,显卡不行你就调小点。 cfg:存储模型结构的配置文件 data:存储训练、测试数据的文件 img-size:输入图片宽高,显卡不行你就调小点。 data是指数据加载文件路径 –epoch是指模型训练轮次 –batch-size是指一批次输入多少数据一起训练,根据自己显卡的显存决定 cfg是指模型加载文件路径,关于–cfg中的training和deploy可以参考这篇文章:training和deploy的区别 workers是指dataloader同时读取多少个进程,如果num_worker设为0,意味着每一轮迭代时,dataloader不再有自主加载数据到RAM这一步骤(因为没有worker了),而是在RA中找batch,找不到时再加载相应的batch。缺点当然是速度慢。设置为0可以避免一些错误发生 device是指选用几号GPU –img-size是指训练集和测试集图像大小,可选640或1280等 rect是指是否采用矩阵推理的方式去训练模型,采用矩阵推理就不要求送入的训练的图片是正方形 –resume断点续训 evolve超参数进化,模型提供的默认参数是通过在COCO数据集上使用超参数进化得来的 linear-lr利用余弦函数对训练中的学习率进行调整

五:模型推理

训练结束后会在run/train中有如下结果:

用自己的模型进行测试

python detect.py --weights best.pt --source frame22.jpg --device 0YOLOV7训练自己的数据集以及训练结果分析(手把手教你)(yolov7训练自己的模型用 flask封装)

六:结果分析F1_curve.png

F1分数,它被定义为查准率和召回率的调和平均数

一些多分类问题的机器学习竞赛,常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数,最大为1,最小为0。

F1-Score的值是从0到1的,1是最好,0是最差。

这是100epoch得到的F1_curve,说明在置信度为0.4-0.6区间内得到比较好的F1分数

PR_curve.png

PR曲线中的P代表的是precision(精准率),R代表的是recall(召回率),其代表的是精准率与召回率的关系,一般情况下,将recall设置为横坐标,precision设置为纵坐标。PR曲线下围成的面积即AP,所有类别AP平均值即Map.

如果PR图的其中的一个曲线A完全包住另一个学习器的曲线B,则可断言A的性能优于B,当A和B发生交叉时,可以根据曲线下方的面积大小来进行比较。一般训练结果主要观察精度和召回率波动情况(波动不是很大则训练效果较好)

Precision和Recall往往是一对矛盾的性能度量指标;及一个的值越高另一个就低一点; 提高Precision <>提高二分类器预测正例门槛<> 使得二分类器预测的正例尽可能是真实正例; 提高Recall <> 降低二分类器预测正例门槛 < >使得二分类器尽可能将真实的正例挑选

R_curve.png

召回率recall和置信度confidence之间的关系

results.png

Box:Box推测为GIoU损失函数均值,越小方框越准; Objectness:推测为目标检测loss均值,越小目标检测越准; Classification:推测为分类loss均值,越小分类越准,本实验为一类所以为0; Precision:精度(找对的正类/所有找到的正类);

Recall:真实为positive的准确率,即正样本有多少被找出来了(召回了多少)。

Recall从真实结果角度出发,描述了测试集中的真实正例有多少被二分类器挑选了出来,即真实的正例有多少被该二分类器召回。

val BOX: 验证集bounding box损失

val Objectness:验证集目标检测loss均值

val classification:验证集分类loss均值,本实验为一类所以为0

mAP是用Precision和Recall作为两轴作图后围成的面积,m表示平均,@后面的数表示判定iou为正负样本的阈值,@0.5:0.95表示阈值取0.5:0.05:0.95后取均值。

mAP@.5:.95(mAP@[.5:.95]) 表示在不同IoU阈值(从0.5到0.95,步长0.05)(0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95)上的平均mAP。

mAP@.5:表示阈值大于0.5的平均mAP

一般训练结果主要观察精度和召回率波动情况(波动不是很大则训练效果较好) 然后观察mAP@0.5 & mAP@0.5:0.95 评价训练结果。

tensorboard

tensorboard是可实时观看自己训练数据集效果的可视化工具。

activate yolov7(自己所配的环境名称)tensorboard --logdir=训练结果所在的文件夹

LOSS AP值

本文链接地址:https://www.jiuchutong.com/zhishi/294520.html 转载请保留说明!

上一篇:React框架第七课 语法基础课《第一课React你好世界》(react框架结构)

下一篇:Tomcat服务器(怎么配置tomcat服务器)

  • 华为mate30pro发烫怎么回事(mate30pro 发热)

    华为mate30pro发烫怎么回事(mate30pro 发热)

  • 卖家线下换新什么意思(线下换货)

    卖家线下换新什么意思(线下换货)

  • iphone11充电口检测到液体(iphone11充电口检测到液体几天后充不了电)

    iphone11充电口检测到液体(iphone11充电口检测到液体几天后充不了电)

  • 局域网的基本组成是什么(局域网的基本组成)

    局域网的基本组成是什么(局域网的基本组成)

  • 史密斯热水器显示e5什么意思(史密斯热水器显示屏不亮了怎么回事)

    史密斯热水器显示e5什么意思(史密斯热水器显示屏不亮了怎么回事)

  • 华为手机自动下载图片怎么关闭(华为手机自动下拉通知栏)

    华为手机自动下载图片怎么关闭(华为手机自动下拉通知栏)

  • 手机微信怎么长截图(手机微信怎么长截图聊天记录)

    手机微信怎么长截图(手机微信怎么长截图聊天记录)

  • 苹果11怎么设置微信美颜(苹果11怎么设置动态壁纸)

    苹果11怎么设置微信美颜(苹果11怎么设置动态壁纸)

  • OPPO k5有没有熄屏语音唤醒语音助手(oppok5怎么锁屏)

    OPPO k5有没有熄屏语音唤醒语音助手(oppok5怎么锁屏)

  • 如何开启美团的到店自取(如何开启美团的定位功能)

    如何开启美团的到店自取(如何开启美团的定位功能)

  • 快狗打车有发票吗(快狗打车发票怎么开)

    快狗打车有发票吗(快狗打车发票怎么开)

  • 苹果11电池耐用吗(苹果11电池耐用度)

    苹果11电池耐用吗(苹果11电池耐用度)

  • 闪电接头是什么意思(闪电接口图片)

    闪电接头是什么意思(闪电接口图片)

  • 苹果手表怎么测试睡眠(苹果手表怎么测心率)

    苹果手表怎么测试睡眠(苹果手表怎么测心率)

  • 蓝牙耳机会致癌吗(蓝牙耳机会得癌症吗)

    蓝牙耳机会致癌吗(蓝牙耳机会得癌症吗)

  • 视频彩铃怎么取消(视频彩铃怎么取消电信)

    视频彩铃怎么取消(视频彩铃怎么取消电信)

  • 华为mate10缓存在哪里找(华为手机我的缓存在哪)

    华为mate10缓存在哪里找(华为手机我的缓存在哪)

  • 多多果园如何抽中化肥(多多果园天天抽奖奖励在哪里)

    多多果园如何抽中化肥(多多果园天天抽奖奖励在哪里)

  • 苹果手机怎么一边打电话一边录音(苹果手机怎么一键关闭所有程序)

    苹果手机怎么一边打电话一边录音(苹果手机怎么一键关闭所有程序)

  • 新款airpods续航时间(airpods 续航能力)

    新款airpods续航时间(airpods 续航能力)

  • 抖音里面的千手观音是什么特效(千手购物是真的吗)

    抖音里面的千手观音是什么特效(千手购物是真的吗)

  • 滴滴司机取消订单有什么影响(滴滴司机取消订单乘客有补偿吗)

    滴滴司机取消订单有什么影响(滴滴司机取消订单乘客有补偿吗)

  • 清理缓存解决网站打不开的方法(清理缓存网页电脑)

    清理缓存解决网站打不开的方法(清理缓存网页电脑)

  • u盘中毒有哪些症状?(u盘中毒症状)

    u盘中毒有哪些症状?(u盘中毒症状)

  • 关于 background-image 渐变gradient()那些事!(关于我和鬼变成家人的那件事)

    关于 background-image 渐变gradient()那些事!(关于我和鬼变成家人的那件事)

  • 应交税费待抵扣进项税额
  • 公司申报个税流程
  • 一般纳税人资格证明在哪里查询
  • 转出未交增值税是借方还是贷方
  • 递延所得税资产和负债怎么理解
  • 什么企业不用交社保
  • 财务会计制度备案操作流程
  • 实收资本账
  • 季度所得税申报错误,一定要更改吗
  • 公司注销投资款退回给股东,附言写什么
  • 外币借款汇兑差额计入什么科目
  • 公司内帐和外账的区别
  • 员工借款可以直接转账吗
  • 股东补亏资金
  • 进口环节关税税率
  • 合同额在3000以下的是否缴纳印花税?
  • 境内企业得到境外企业的红利是否需要缴纳所得税?
  • 未认证的增值税发票如何开具红字发票
  • 《减免所得税优惠明细表》
  • 国税申报数据能修改吗
  • 个体户开票要交印花税?
  • 异地取款还有手续费吗
  • 固定资产出售收入大于净值
  • 个人所得税生产经营所得
  • 查找我的mac怎么打开
  • 1000元的打印机双十一满减可以减150吗少
  • 企业发生的亏损不一定会导致所有者权益减少
  • 运杂费计入什么科目
  • PHP:mb_internal_encoding()的用法_mbstring函数
  • php字符串变量
  • replace.exe进程
  • PHP:pg_fetch_row()的用法_PostgreSQL函数
  • 未取得专用发票是否计算增值税
  • 不良资产核销的条件 追偿180天
  • 网络层IP协议的配套协议有哪些
  • 劳务派遣企业简易征收管理办法
  • php数组按照某个字段排序
  • 什么是大语言模型(LLM)?
  • 长期应付款核算范围有哪些
  • php array合并
  • 投资收益主要来源于
  • 生产部门使用的各种机器设备属于什么会计科目
  • python 熵值法
  • 视同销售的会计处理是指?
  • 公司入股方式有哪几种
  • 实发工资属于什么科目
  • 所得税费用该怎么算
  • 专票认证之后怎么做账
  • 股利分配是什么科目
  • 出口退税一般程度是什么
  • 实际出资和名义出资
  • 物业公司水费差额征税如何申报
  • 更正会计差错的方法
  • 汇算清缴怎么弥补亏损怎么操作
  • 销售样品分录
  • 筹建期间的利息费用计入什么科目
  • 知识产权fa
  • 公司的钱转入余额账户
  • 可供分配的利润是什么意思
  • 职工福利费和工会经费
  • 水利建设基金的征税对象
  • 买断式买入
  • 卖掉公司旧办公用品怎么入账
  • 应付票据含税吗
  • mysql中的limit用法有哪些(推荐)
  • sqlserver数据库备份
  • windows共享功能
  • ubuntu安装lnmp环境
  • Javascript之Number对象介绍
  • editplus怎么配置java
  • unity3d 帧同步
  • pythone爬虫
  • 解决跨域的原理
  • js生成页面
  • python *.py
  • 静海去天津的公交
  • 消费税要把增值税算进去吗
  • 广东省电子税务局app下载官网
  • 土地整治税率是多少
  • 如何理性看待出轨
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设