位置: IT常识 - 正文

yolov5训练自己的数据集,OpenCV DNN推理(yolov5训练自己的模型配置到单片机)

编辑:rootadmin
yolov5训练自己的数据集,OpenCV DNN推理

推荐整理分享yolov5训练自己的数据集,OpenCV DNN推理(yolov5训练自己的模型配置到单片机),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:yolov5训练自己的数据集后怎么用,yolov5训练自己的数据集精度低,yolov5训练自己的数据集要多久,yolov5训练自己的模型是p,r为零,yolov5训练自己的数据集模型大小,yolov5训练自己的数据集要多久,yolov5训练自己的模型什么都识别不出,yolov5训练自己的模型什么都识别不出,内容如对您有帮助,希望把文章链接给更多的朋友!

学更好的别人,

做更好的自己。

——《微卡智享》

本文长度为4238字,预计阅读9分钟

前言

上一篇《OpenCV--自学笔记》搭建好了yolov5的环境,作为目标检测在应用中,最重要的还是训练自己的数字集并推理,所以这一篇就专门来介绍使用yolov5训练自己的数据集,并且用OpenCV的DNN进行推理。

实现效果

实现yolov5训练自己数据并识别的核心是什么?

A

实现yolov5训练自己数据集,最核心的是怎么标注文件,像上图中我们就是做的数字华容道的识别,每个数字分类标注时,用到的第三方库labelimg.

然后因为最终我们通过C++ OpenCV 的DNN进行推理,所以还要安装一个onnx的库,用于把模型转成onnx。

安装labelimg和onnx##激活上篇中搭建的yolov5虚拟环境conda activate yolov5##安装labelimgpip install labelimg

我这已经安装好了,所以再运行时提示已经安装完成。

##接着再安装onnxpip install onnx

下载训练图片

从上面的实现效果可以看到,我们还是做了华容道的数字识别,所以首先要搜集我们的训练图片,先创建我们的训练目录

上几个图可以看出,我们建了一个numpuzzles的文件夹,里面加入了images(图片路径)和labels(标签路径)两个文件夹,两个文件夹下面又分别 创建了train(训练集)和val(验证集)文件夹,这样文件夹就创建好了,接下来就是下载训练图片,我这里在网上找了50张数字华容道的图片存放到images/train的文件夹下

images/val里面是以前保存的两张图片,验证的图片有点少,不过也无所谓了

这样准备工作就完成了,接下来就是核心的步骤,标注数据。

标注数据

在命令行中运行labelimg,打开标注软件

打开OpenDir找到我们下载的图片文件夹

点击上面的Yolo按钮进行切换,默认有可能不是Yolo,所以我们经常点击后切换到Yolo即可。

‍然后点击CreateRectBox,在需要标注的位置鼠标划矩形后,会弹出label的标签提示框,第一次手动输入标签值,后面相同的可以直接输入或选择,点击确定后,当前类别就标注成功了,右边会显示出来分类和画的矩形框位置,具体操作如下面GIF动图。

当所有类型都标注完后,点击保存,会生成一个txt的文件,我们将其保存到最初创建的labels/train目录下

图片001对应的也生成了标注后的001.txt的文件,打开001.txt后可以看到一堆文件数字,每一行第一个是代表的标注的序号,后面4个值代表的矩形框的四个顶点的坐标位置。

相应的生成classes.txt里面就是我们第一个序号对应的值名称,由于我第一张图的华容道顺序是乱的,第一个是10,所以我按我标注的顺序来做的,没有做到序号和值一样,相对的后面标注时查找稍麻烦的,不过这倒无所谓。

按上面的方法将50张图片全部标注完,并且保存后,我们的训练数据集就完成了,当然验证集中的两张图片也要按这个方法标注完成,下一步就要开始训练了。

训练数据

创建.yaml文件

第一步优先创建我们的.yaml文件,通过这个来设置训练集及验证集的图片和标签位置,并且要将标签对应的类型也设定进去。

在yolov5/data文件夹下,我们创建一个numpuzzles.yaml的文件

yolov5训练自己的数据集,OpenCV DNN推理(yolov5训练自己的模型配置到单片机)

path:数据集的根目录

train:训练集与path的相对路径

val:验证集与path的相对路径

nc:类别数量,因为这个数据集只有一个类别(fire),nc即为1。

names:类别名字。

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]path: ../datasets/numpuzzles # dataset root dirtrain: images/train # train images (relative to 'path')val: images/val # val images (relative to 'path')test: # test images (optional)# Classesnc: 15 # number of classesnames: ['10','3','6','1','9','15','14','4','7','5','2','13','11','12','8'] # class names

修改train.py开始进行训练

使用VS Code找开yolov5的文件夹,找到train.py文件,在parse_opt中修改几个参数,一个是初始使用的yolov5的模型,一个是刚才创建的numpuzzles.yaml文件,还有一个就是训练轮数。

上图中可以看到,weights我用的是yolov5.pt模型,data已经指定到我们刚才创建的'data/numpuzzles.yaml',并且训练轮数改到了500轮,我这里是直接改的文件用调试方法运行,当然也可以直接在命令行中输入命令加参数的方式直接训练即可。

运行开始就是漫长的训练等待了,因为我这里只有50张图片,最初训练了100轮,但是推理效果很差,后面就改到了训练500轮,主要我的机器没有显卡,所以用的CPU训练,500轮整整用了 6个小时才训练完。

训练完成后,在runs/train的文件夹下面可以看到我们的训练效果,weight里面有best.pt和last.pt两个训练模型,将best.pt拷贝到yolov5的默认目录下

推理测试

用VS Code打开detect.py文件,修改parse_opt中weights的模型为best.pt

然后直接运行推理,可以在runs/detect文件夹下看到推理的效果

可以看到,经过500轮训练后的效果还是挺不错的,接下来就是使用OpenCV DNN进行推理了。

微卡智享

使用OpenCV进行推理

01

转出onnx模型

文章开始时就说了要转出onnx的模型,所以我们安装了onnx第三方工具,在export.py中转出使用,还是用VS Code打开export.py的文件,parse_opt中修改转出的模型文件为best.pt,还有一个include为onnx

或是直接运行

python export.py --weights runs/train/exp3/weights/best.pt --include onnx

转出后就生成了best.onnx的模型文件,如果想要查看onnx的模型文件,推荐下载Netron进行查看,效果如下:

可以看到模型文件的输入输出及类型都显示在上面。

02

C++ OpenCV推理

定义好模型文件目录,类别数组,里面的ClassName顺序和前面numpuzzle.yaml的顺序要一致,直接上代码:

#pragma once#include<iostream>#include<opencv2/opencv.hpp>#include<opencv2/dnn/dnn.hpp>using namespace cv;using namespace std;dnn::Net net;void deal_pred(Mat& img, Mat& preds, vector<Rect>& boxes, vector<float>& confidences, vector<int>& classIds, vector<int>& indexs){float w_ratio = img.cols / 640.0;float h_ratio = img.rows / 640.0;cout << "size1:" << preds.size[1] << endl;cout << "size2:" << preds.size[2] << endl;Mat data(preds.size[1], preds.size[2], CV_32F, preds.ptr<float>());for (int i = 0; i < data.rows; i++){float conf = data.at<float>(i, 4);if (conf < 0.45){continue;}//第二个参数为5+种类数,数字华容道15个种类,所以后面参数为5+15=20Mat clsP = data.row(i).colRange(5, 20);Point IndexId;double score;minMaxLoc(clsP, 0, &score, 0, &IndexId);if (score > 0.25){float x = data.at<float>(i, 0);float y = data.at<float>(i, 1);float w = data.at<float>(i, 2);float h = data.at<float>(i, 3);int nx = int((x - w / 2.0) * w_ratio);int ny = int((y - h / 2.0) * h_ratio);int nw = int(w * w_ratio);int nh = int(h * h_ratio);Rect box;box.x = nx;box.y = ny;box.width = nw;box.height = nh;boxes.push_back(box);classIds.push_back(IndexId.x);confidences.push_back(score);}}dnn::NMSBoxes(boxes, confidences, 0.25, 0.45, indexs);}int main(int argc, char** argv) {//定义onnx文件string onnxfile = "D:/Business/DemoTEST/pyTorch/yolov5/best.onnx";//测试图片文件 D:/Business/DemoTEST/pyTorch/yolov5/data/imagesstring testfile = "D:/Business/DemoTEST/pyTorch/yolov5/data/images/h001.jpeg";//string testfile = "D:/Business/DemoTEST/pyTorch/yolov5/data/images/bus.jpg";//测试图片文件string classNames[] = { "10","3","6","1","9","15","14","4","7","5","2","13","11","12","8" };net = dnn::readNetFromONNX(onnxfile);if (net.empty()) {cout << "加载Onnx文件失败!" << endl;return -1;}net.setPreferableBackend(dnn::DNN_BACKEND_OPENCV);net.setPreferableTarget(dnn::DNN_TARGET_CPU);//读取图片Mat src = imread(testfile);Mat inputBlob = dnn::blobFromImage(src, 1.0 / 255, Size(640, 640), Scalar(), true, false);//输入参数值net.setInput(inputBlob);//预测结果Mat output = net.forward();vector<Rect> boxes;vector<float> confidences;vector<int> classIds;vector<int> indexs;deal_pred(src, output, boxes, confidences, classIds, indexs);for (int i = 0; i < indexs.size(); i++){rectangle(src, boxes[indexs[i]], (0, 0, 255), 2);rectangle(src, Point(boxes[indexs[i]].tl().x, boxes[indexs[i]].tl().y - 20),Point(boxes[indexs[i]].tl().x + boxes[indexs[i]].br().x, boxes[indexs[i]].tl().y), Scalar(200, 200, 200), -1);putText(src, classNames[classIds[indexs[i]]], Point(boxes[indexs[i]].tl().x + 5, boxes[indexs[i]].tl().y - 10), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 0, 0));ostringstream conf;conf << confidences[indexs[i]];putText(src, conf.str(), Point(boxes[indexs[i]].tl().x + 60, boxes[indexs[i]].tl().y - 10), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 0, 0));}imshow("img", src);waitKey();return 0;}

处理分类识别这里,截取的Mat区域,第二个参数20,是根据我们的分类数再加5设置的,数字华容道中设置了15个分类,再加5就等于20,所以这里的参数就是20。

在blobFromImage中,因为我们直接用的彩色图像,在yolov5中默认的是RGB,而OpenCV的顺序返过来的默认为BGR,所以将swapRB这个参数设置为true,转换过来。

OpenCV推理效果

这里使用C++ OpenCV推理的效果,这样一个Yolov5自己训练加OpenCV DNN推理的Demo就完成了。

往期精彩回顾

目标检测yolov5的安装

 

pyTorch入门(六)——实战Android Minist OpenCV手写数字识别(附源码地址)

 

pyTorch入门(五)——训练自己的数据集

本文链接地址:https://www.jiuchutong.com/zhishi/298393.html 转载请保留说明!

上一篇:从零开始,打造属于你的 ChatGPT 机器人!(从零开始打造神级文明)

下一篇:8种css居中实现的详细实现方式了(css各种居中)

  • 邮政电信业务差距大吗
  • 电子商务税收的特征有哪些?
  • 销售二手车需要什么资质
  • 境外所得抵免限额小于实际缴纳
  • 增值税电子普通发票和增值税专用发票区别
  • 公司内控制度由谁制定
  • 车辆通行费属于政府性基金吗
  • 一次性就业补助金的领取条件
  • 开具了红字发票信息表的税额需要转出吗
  • 银行存款日记账与银行对账单之间的核对属于
  • 哪些发票可以冲红票
  • 百望税控盘电子发票
  • 主营业务收入是营业收入吗
  • 发票验旧后可领新发票吗
  • 电话充值卡如何变现
  • 经营成本计算公式财务管理
  • 发票上可以盖两次章吗
  • 销售折让怎么处理
  • 运费收入会计处理
  • 来料加工原材料计入什么科目
  • 罕见病药品进口要求
  • 工商年报人数是12月人数吗
  • 园林公司采购岗位职责
  • win11如何添加快捷方式
  • 如何一键重装系统win10
  • 上月开的发票会计漏做帐,本月应如何补做账?
  • 如何在WIN10系统安装IE浏览器
  • php axios
  • 单位未足额缴纳社保可以补交几年
  • 营业执照年检认缴和实缴怎么填
  • 羊了不眄翻译
  • 人力资源外包可以去吗
  • 接受投资收到的现金计入
  • php如何实现
  • php书籍读后感
  • 控制器eabs
  • thinkphp百万级数据查询
  • 购买方纳税人信息与第三方信息不符
  • phpweb漏洞
  • 运输客票属于什么发票
  • 公司缴个人所得税吗
  • 人力资源预算包括哪些内容
  • python的series
  • 现金溢余涉及的科目
  • 其他业务收入与营业外收入
  • 电子发票开出后如何查看
  • 上月未结账本月是否能记账
  • 劳务公司已开票怎么入账
  • 接受捐赠的增值税计入会计利润吗
  • 三栏式明细账的借或贷怎么写
  • 美容院收入怎么做会计分录
  • 白条该如何处理好
  • 抵押贷款购买商品合法吗
  • 餐饮企业餐具计入什么科目
  • 委外加工半成品入库的会计分录
  • 小规模纳税人差旅费可以抵扣吗
  • 购置一项设备,有两种可供选择
  • 培训学校预收学费可退吗
  • 计提本月工资的账务处理
  • 盘亏机器设备
  • 验资账户需要对账吗
  • 制造费用转入什么
  • 固定资产折旧计入什么费用
  • 餐饮打包盒 标准
  • 生物性资产折旧处理
  • mysql coalesce函数用法
  • ubuntu18.04单网卡多ip
  • linux的tar
  • cmd命令符大全
  • linux禁止root用户远程登录
  • win8的控制面板在哪里打开
  • python打开命令行
  • 简介英文
  • 用python做开发
  • python不能用
  • [置顶]马粥街残酷史
  • 黑龙江电子税务局
  • 湖南历年社保缴费
  • 网上缴费后如何复电
  • 深圳国税电子税务局官网
  • 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