抱歉，您的浏览器无法访问本站

本页面需要浏览器支持（启用）JavaScript


了解详情 >

/机器学习大作业/基于yolov5的车辆检测

misaka10032

发布于：Jun 23, 2022
次浏览

test
使用yolov5，基于UA-detrac数据集进行训练，完成对于车辆的识别和种类的检测。

yolov5

yolo是一个用于目标模块检测的单阶段模型。目前Ultralytics LLC团队已经发布了yolov5-6.0。虽然目前yolov5还没有作为一个大版本合并到原始的yolo项目中，但是yolov5在目标模块检测任务中有着更好的表现，因此选择yolov5作为车辆检测任务的模型。

Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x。各个模型之间的差别主要体现在网络的深度和宽度上。受限于训练时间和训练平台，此次车辆检测任务中选择使用yolov5s模型来进行数据集的训练任务。

test

UA-detrac数据集

原始的UA-detrac数据集中包含着丰富且详尽的数据标签，完整的训练数据集>=5G，如果使用全部的数据参与训练，会大大增加训练的时间以及训练所要求的硬件配置。因此对该数据集进行了一定程度上的裁剪，并只保留了标签中的种类信息。并且，原始数据集的格式不符合yolov5处理数据的要求，需要对该数据集进行处理。首先将其转换为VOC格式的数据，之后可以利用下面的pyhton代码，将VOC格式转换成yolo所需的格式。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
%cd /home/aistudio/work/VOCdata/
import os
import random
trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = '/home/aistudio/work/VOCdata/Annotations'  #xml文件存放地址
if not os.path.exists('ImageSets/'):
    os.makedirs('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('ImageSets/trainval.txt', 'w')
ftest = open('ImageSets/test.txt', 'w')
ftrain = open('ImageSets/train.txt', 'w')
fval = open('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()

这里主要进行的工作是对训练数据和验证数据的划分，按照9:1的比例来划分训练数据和验证数据。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
%cd /home/aistudio/work/VOCdata/
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test','val']
Imgpath = '/home/aistudio/work/VOCdata/images'    #图片文件夹
xmlfilepath = '/home/aistudio/work/VOCdata/Annotations/'  #xml文件存放地址
ImageSets_path='ImageSets/'
classes = ['car', 'bus', 'van', 'others']   # 识别目标种类
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(xmlfilepath+'%s.xml' % (image_id))
    out_file = open('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('labels/'):
        os.makedirs('labels/')
    image_ids = open(ImageSets_path+'%s.txt' % (image_set)).read().strip().split()
    list_file = open('%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(Imgpath+'/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

基于生成的测试数据和验证数据，根据对应的xml文件中的内容生成yolo格式的标签，并将训练数据和验证数据所使用的图片的文件路径写入文件中，使得训练模块和验证模块可以正确读取数据。

训练平台

使用百度提供的AI studio平台进行本次任务的训练。由于AI studio平台不再支持pytorch框架的稳定运行，因而不能直接使用原始的基于pytorch框架编写的yolov5项目进行训练。训练基于paddlepaddle框架重新编写的yolov5项目，以实现使用AIStudio高性能环境快速构建YOLOv5训练。

训练以及可视化

完成相关文件中数据集路径以及label路径的修改，使用下面的命令即可进行数据的训练任务：

1
2
%cd /home/aistudio/work/
!python train.py --img 640 --epochs 30 --batch 64 --data ./data/vehicle.yaml --cfg yolov5s.yaml --weights ./weights/yolov5s.pdparams
  • 可以在命令后面追加参数--resume Ture来继续训练中断的任务
  • AI studio平台提供了后台任务的功能，这样就不用一直挂机notebook环境了。虽然我试着用了一下并没有成功

数据训练使用的ymal文件如下：

1
2
3
4
5
6
7
train: ./VOCdata/train.txt  # voc_annotation.py生成的train.txt的路径
val: ./VOCdata/val.txt   # voc_annotation.py生成的val.txt的路径
test: ./VOCdata/test.txt   # voc_annotation.py生成的val.txt的路径

# Classes
nc: 4  # number of classes
names: ['car','bus','van','others']  # class names

参数解释：

  • epochs： 轮数，需要指定，默认为300，本次车辆检测使用预训练模型，30轮训练即可达到不错的检测精度；
  • batch: 一次处理多少数据，一次处理128个数据大概占用23.9G显存
  • img: 训练和测试数据集的图片尺寸，默认640，640
  • data: 数据集配置文件，已经修改好data/vehicle.yaml文件，如果本地训练请自行修改参数，并准备好数据集
  • 显卡为Tesla V100 16G下batch设置参考表：
  • image.png
  • 32G显存请翻倍

模型的网络结构图如下所示：

test
可以分为输入端、Backbone、Neck、Prediction四个部分。各个部分详细的介绍可以点击这里

train-loss：

test

test

test

  • 一个是xywh部分带来的误差，也就是box带来的loss
  • 一个是置信度带来的误差，也就是obj带来的loss
  • 最后一个是类别带来的误差，也就是cls带来的loss

val-loss：

test

test

test

mAP.5:

test

  • mAP:Mean Average Precision，即每个类别分别计算AP，然后Mean平均。AP即Precsion-Recall Curve图中PR曲线所围成的名字。
  • 那么PR-Curve图怎么才算效果好？要看曲线是否平滑，多个类别的时候，哪个类别的曲线在上方证明哪个曲线的效果更好。
  • mAP@.5其实就是将IOU设置为0.5时，计算每个类别的AP的平均值。
  • IOU即置信度，目标检测评价函数，当真实框与我们的预测框完全没有相交的时候，IOU=0；当IOU=0.25时证明真实框与我们的预测框有相交部分，当IOU=1时则证明我们的预测框和真实框完全重合。一般来说，IOU>=0.5即认为检测到了目标。

PR图:

test

R图:

test

P图:

test

F1图:

test

同样，使用如下的命令即可进行数据的验证：

1
2
%cd /home/aistudio/work/
!python val.py --img 640  --data ./data/vehicle.yaml --cfg yolov5s.yaml --weights ./runs/train/exp2/weights/best.pdparams

测试结果

test

test

test

效果还是不错的

PS.

原始项目中，对比了yolov5的源码，绘图部分应该不是ai studio不支持的原因，而是在metrics.py的plot_pr_curve(px, py, ap, save_dir=’pr_curve.png’, names=())函数中，for i, y in enumerate(py.t())编写错误，修改为for i, y in enumerate(py.T)后可以正确绘制PR图

end☆~

博客内容遵循 署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0) 协议

本文永久链接是：https://misaka-network10032.github.io/2022/06/23/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%A4%A7%E4%BD%9C%E4%B8%9A-%E5%9F%BA%E4%BA%8Eyolov5%E7%9A%84%E8%BD%A6%E8%BE%86%E6%A3%80%E6%B5%8B/

更新于：Jun 24, 2022

机器学习

评论