YOLO模型比赛实战--井盖隐患智能识别（一）

Dousuper

已于 2024-04-17 16:20:33 修改

阅读量2.5k

点赞数 28

文章标签： YOLO 算法目标检测计算机视觉

于 2024-03-20 11:58:24 首次发布

本文链接：https://blog.csdn.net/Dousuper/article/details/136844352

版权

目录

前言

一、自定义数据集代入YOLOv5模型训练

1.建立井盖隐患数据集

2.数据集预处理

3.将数据集代入Yolov5进行训练

4.用训练好的模型对图片进行目标检测

未完待续

前言

研一阶段在导师推荐下参加了一个服务外包大赛，其中挑选了一个课题叫做井盖隐患智能识别。本课题基于目标检测技术实现对井盖隐患的识别。首先，在数据预处理阶段，为提升数据质量，可采用数据增强、数据标注等方式。在模型训练阶段，不局限于单一检测算法的使用，可采用集成学习思想，训练多模型并将结果融合，以提升模型效果及泛化能力。最后，选择合适的后处理方式输出井盖隐患的识别结果。由于本课题主要用到目标检测，所以我选择了YOLO模型进行训练。

一、自定义数据集代入YOLOv5模型训练

1.建立井盖隐患数据集

利用python爬虫代码在百度上爬取井盖隐患图片（完好、破损、缺失、未盖、井圈受损），各类分别爬取五百张，从而建立2500张的井盖隐患数据集。

import requests
headers = {
    'Host': 'image.baidu.com',
    'Cookie': 'BDqhfp=%E4%BA%95%E7%9B%96%E7%BC%BA%E5%A4%B1%26%26-10-1undefined%26%2627132%26%2634; BIDUPSID=1FF461C33C0DA8824D4D59CA50542629; PSTM=1574996095; ',
    'Referer': ‘https://image.baidu.com/search/……… ',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/121.0.0.0 Safari/537.36 Edg/121.0.0.0 ',
}
number = 1
for page in range(1, 11):
    url = f'https://image.baidu.com/search/…………. '
    response = requests.get(url=url, headers=headers)
    json_data = response.json()
    data_list = json_data['data']
    for data in data_list[:-1]:
        fromPageTitleEnc = data['fromPageTitleEnc']
        middleURL = data['middleURL']
        print(fromPageTitleEnc,middleURL)
        img_data = requests.get(middleURL).content
        with open(f'img/{number}.jpg', mode='wb') as f:
            f.write(img_data)
        number += 1

2.数据集预处理

利用make-sense数据标注网站对井盖隐患数据集进行预处理，将图片中的每一类井盖框起来并打上标签。

步骤一：创建标签

步骤二：对每一张图片进行标注，并选择分类标签

步骤三：导出数据集标签，选择yolo需要的txt格式

给每张图片中的每一个井盖都标注好类别以后，导出标注完的数据，导出的数据是txt格式的labels，每个txt里面有n行（n为每张图片中的井盖标注数量），每行有五个数据，分别是该井盖的类别（用数字表示的）以及标注井盖的标注框的坐标位置信息：

每个label的数据信息：

步骤四：生成txt文件以后，对数据集进行处理，整理成能输入进yolo模型源代码的样子：

数据集最终文件夹呈现：

数据集文件夹内分为两个文件夹，分别是images（图片）以及labels（每个图片生成的txt格式文件），每个image和label一定要一一对应，images和labels文件夹内又分成train和test两个文件夹。

3.将数据集代入Yolov5进行训练

将数据集导入代码中先需要一个yaml格式代码文件，将数据集中的train数据和test数据导入:

well.yaml文件：

train: welldataDemo/images/train  # 128 images
val: welldataDemo/images/test  # 128 images

# number of classes
nc: 5

# class names
names: [ 'broke','circle','good','lose','uncovered']

将得到的well.yaml代入yolo模型的train部分代码：

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default='', help='model.yaml path')
    parser.add_argument('--data', type=str, default='data/well.yaml', help='data.yaml path')
    parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')#一些超参数，学习率什么的
    parser.add_argument('--epochs', type=int, default=300)
    parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')
    parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')
    parser.add_argument('--rect', action='store_true', help='rectangular training')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
    parser.add_argument('--notest', action='store_true', help='only test final epoch')
    parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
    parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')
    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
    parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')
    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
    parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')
    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
    parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
    parser.add_argument('--workers', type=int, default=0, help='maximum number of dataloader workers')
    parser.add_argument('--project', default='runs/train', help='save to project/name')
    parser.add_argument('--entity', default=None, help='W&B entity')
    parser.add_argument('--name', default='exp', help='save to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    parser.add_argument('--quad', action='store_true', help='quad dataloader')
    parser.add_argument('--linear-lr', action='store_true', help='linear LR')
    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
    parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table')
    parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')
    parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')
    parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')
    opt = parser.parse_args()

开始训练，训练成功以后就可以得到该次训练的一些评估结果：p曲线、r曲线、pr曲线、F1曲线、mAp值等。