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)

  • 微信怎么批量删除聊天记录(微信怎么批量删除朋友圈内容)

    微信怎么批量删除聊天记录(微信怎么批量删除朋友圈内容)

  • 手机静态ip地址怎么填写(手机静态ip地址怎么获取)

    手机静态ip地址怎么填写(手机静态ip地址怎么获取)

  • 移动硬盘摔坏了数据能全部恢复吗(移动硬盘摔坏了修复数据要多少钱)

    移动硬盘摔坏了数据能全部恢复吗(移动硬盘摔坏了修复数据要多少钱)

  • 美图手机充电一直显示1%(美图手机充电一直1%)

    美图手机充电一直显示1%(美图手机充电一直1%)

  • 苹果外屏原装和非原装有什么区别(苹果原装外屏和普通外屏有什么区别)

    苹果外屏原装和非原装有什么区别(苹果原装外屏和普通外屏有什么区别)

  • qq说说设置部分人可见对方知道吗(qq说说部分可见别人能看到吗)

    qq说说设置部分人可见对方知道吗(qq说说部分可见别人能看到吗)

  • 快手的聊天室在哪里找(快手的聊天室在哪里打开)

    快手的聊天室在哪里找(快手的聊天室在哪里打开)

  • 电话一直关机怎么回事(拨打号码一直关机)

    电话一直关机怎么回事(拨打号码一直关机)

  • 哔哩哔哩大会员和电视大会员有什么区别

    哔哩哔哩大会员和电视大会员有什么区别

  • ps怎么加粗线条(怎样在ps中加粗线条)

    ps怎么加粗线条(怎样在ps中加粗线条)

  • 华为手机如何查看有无碎屏险(华为手机如何查询激活时间)

    华为手机如何查看有无碎屏险(华为手机如何查询激活时间)

  • 通话录音在哪里找(通话录音在哪里找到oppor15)

    通话录音在哪里找(通话录音在哪里找到oppor15)

  • 魅蓝note5换电池教程(魅蓝note5换电池后密码不对了)

    魅蓝note5换电池教程(魅蓝note5换电池后密码不对了)

  • 手机红外遥控功能,重要吗(手机红外遥控功能是什么意思)

    手机红外遥控功能,重要吗(手机红外遥控功能是什么意思)

  • 苹果手机亮度怎么固定(苹果手机亮度怎么会自动变暗)

    苹果手机亮度怎么固定(苹果手机亮度怎么会自动变暗)

  • word文档居左显示怎么办 (word怎么设置左居中)

    word文档居左显示怎么办 (word怎么设置左居中)

  • 现在新买的手机第一次怎么充电(现在新买的手机怎么充电)

    现在新买的手机第一次怎么充电(现在新买的手机怎么充电)

  • 光模块作用(光模块的作用和装在什么地方)

    光模块作用(光模块的作用和装在什么地方)

  • 迅雷下载怎么解除安全模式(怎样解除迅雷下载限速)

    迅雷下载怎么解除安全模式(怎样解除迅雷下载限速)

  • Win10如何查看显卡是否支持Directx12(win10如何查看显卡版本)

    Win10如何查看显卡是否支持Directx12(win10如何查看显卡版本)

  • 学修电脑需要掌握哪些东西(现在学修电脑怎么样)

    学修电脑需要掌握哪些东西(现在学修电脑怎么样)

  • 如何使用Vscode开发Uni-app项目以及注意事项详解(vscode怎么开始编程)

    如何使用Vscode开发Uni-app项目以及注意事项详解(vscode怎么开始编程)

  • idea为web项目添加tomcat并配置Artifacts(idea添加web项目)

    idea为web项目添加tomcat并配置Artifacts(idea添加web项目)

  • 【朝夕教育】2023年03月 其他-运动控制和机器视觉面试题(34道)(朝夕教育怎么样)

    【朝夕教育】2023年03月 其他-运动控制和机器视觉面试题(34道)(朝夕教育怎么样)

  • c语言strcat_s函数的原理(c语言strncat函数用法)

    c语言strcat_s函数的原理(c语言strncat函数用法)

  • 小规模纳税人销售自建不动产
  • 企业所得税核定征收怎么计算
  • 消费税为什么是减
  • 公司给员工发放福利的说辞
  • 员工加班误餐费怎么做凭证
  • 管道安装固定方式
  • 个人开具发票需要税号吗
  • 赠送的物业费需要交个税吗
  • 农产品销售发票可以抵扣吗?
  • 一般纳税人普通发票免税吗
  • 每个月固定发工资
  • 一般纳税人从小规模纳税人处进货
  • 建筑工程公司涉及的会计科目
  • 增值税尾数调整怎么做
  • 雇主责任险税前列支
  • 增值税负数如何计算
  • 一般纳税人提供服务税率
  • 二手车没购车发票有影响吗
  • 设备改造时各项支出的会计处理?
  • 销售商品会计分录怎么写
  • 系统日志在哪里打开
  • win10蓝牙驱动程序下载
  • 企业的债权资产
  • 单位性质有哪些类型
  • 小黑马下载
  • php开发的优点与不足
  • php实现简单数字变量
  • Yosemite使用技巧 如何使用Yosemite mac信息功能共享电脑屏幕教程
  • 采用销售百分比法预测对外
  • 天猫魔合
  • 出口零退税率商品有哪些
  • 环形链表入口节点
  • 中国各省市区域划分
  • laravel with查询指定字段
  • 实收资本主要包括哪些
  • 软件和信息技术服务业发展趋势
  • 财税2016年12号文件解读
  • elementui form rules
  • linux安装cuda的正确姿势
  • ps使用背景橡皮擦的时候需要按住什么键
  • 企业领用低值易耗品计入
  • 独立核算的分公司责任承担问题
  • 出差费用包干制还需要报销吗
  • 秸秆回收加工项目
  • 去年未分配利润为负什么意思
  • mysql8绿色版
  • 出口运费怎么入账
  • sqlserver2008安装闪退
  • 小规模纳税人能开3%的专票吗
  • 水电费分割单能报销吗
  • 在工资模块中进行各工资类别间的汇总
  • 出售金融资产计入
  • 报废的固定资产清理的净损失计入营业外支出
  • 商业承兑汇票怎么做账
  • 转账支票一定要填写支付密码吗?
  • 什么是现金等价物列举
  • 银行业应收票据分析
  • sql server怎么添加数据
  • drop table select
  • 国内的windows是正版吗
  • 微软在印度的投资
  • winxp纯净版系统
  • macbookpro如何扫描
  • linux命令rz -y
  • vsftpd.service disabled
  • qttask.exe是什么进程?qttask.exe是不是病毒?
  • win7更改win10系统要怎么更改
  • ubuntu更换版本
  • mac读取光驱
  • win8系统运行慢怎么办
  • win70x80070002系统找不到指定的文件
  • three.js gui
  • android 自定义view onlayout
  • linuxparted命令
  • 使用驱动器u盘之前需要格式化
  • java learning
  • 快速解决偏头痛的6个方法
  • Android之Notification
  • 进口设备免关税政策融资费
  • 浙江纳税百强2020
  • 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