用PaddleDetection目标检测

本次目标检测使用的配置文件是yolov3_mobilenet_v1_ssld_270e_voc.yml，使用的数据集是voc格式的，具体的使用方法在下文会具体介绍

第一步：制作数据集

因为要用到的是voc格式的，所以我们使用的软件是labelimg

# 在命令窗口中运行这几段代码就能安装
pip install PyQt5
pip install pyqt5-tools
pip install lxml
pip install labelimg

如果安装的速度太慢，可以使用永久镜像源，这里以清华源为例

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装好之后在命令行输入labelimg即可弹出框

数据集链接: https://pan.baidu.com/s/1b48jzIStY1wbsF8NU6eMjw 提取码: e7w3 

第二步，进入飞浆平台下载好PaddleDetection

!git clone https://gitee.com/paddlepaddle/PaddleDetection   # 就用这个下载就很好
! pip install --upgrade pip # 升级pip
!unzip work/voc_data.zip # 解压数据集，直接unzip + “数据集存放位置即可”

# 再安装一些需要安装的
! pip install -r requirements.txt
! pip install pycocotools
! python setup.py install
! pip install Cython


# 生成train.txt, val.txt文件
import random
import os
random.seed(2022)
xml_dir = '/home/aistudio/work/voc_data/Annotations'
img_dir = '/home/aistudio/work/voc_data/images'
path_list = list()

for img in os.listdir(img_dir):
    img_path = os.path.join(img_dir+ '/' +img)
    xml_path = os.path.join(xml_dir+ '/' +img.replace('bmp', 'xml'))
    path_list.append((img_path, xml_path))
random.shuffle(path_list)
ratio = 0.8
train_f = open('/home/aistudio/work/voc_data/train.txt', 'w') 
val_f = open('/home/aistudio/work/voc_data/val.txt', 'w')


for i ,content in enumerate(path_list):
    img, xml = content
    text = img + ' ' + xml + '\n'
    if i < len(path_list) * ratio:
        train_f.write(text)
    else:
        val_f.write(text)
train_f.close()
val_f.close()


# 根据自己数据类别生成标签文档
label = ['target']
with open('/home/aistudio/work/voc_data/label_list.txt', 'w') as f:
    for text in label:
        f.write(text + '\n')

第三步，修改配置文件

进入PaddleDetection/configs/yolov3/yolov3_mobilenet_v1_ssld_270e_voc.yml后，修改

其中 '../datasets/voc.yml'：含有训练数据和验证数据的路径

'../runtime.yml'：存放是否使用GPU 、迭代次数这些

 '_base_/optimizer_270e.yml'：学习率和优化器的配置

'_base_/yolov3_mobilenet_v1.yml'：模型、主干网络

'_base_/yolov3_reader.yml'：读取后的预处理操作、如数据增强

主要修改'../datasets/voc.yml'中的路径，dataset_dir、anno_path、label_list

和'_base_/optimizer_270e.yml'中的epoch即可

第四步，开始训练

!python tools/train.py -c configs/yolov3/yolov3_mobilenet_v1_ssld_270e_voc.yml --eval 

进行评估

!python -u tools/eval.py -c configs/yolov3/yolov3_mobilenet_v1_ssld_270e_voc.yml -o weights=output/yolov3_mobilenet_v1_ssld_270e_voc/best_model.pdparams

进行预测

!python tools/infer.py -c configs/yolov3/yolov3_mobilenet_v1_ssld_270e_voc.yml -o weights=output/yolov3_mobilenet_v1_ssld_270e_voc/best_model.pdparams --infer_img=/home/aistudio/work/voc_data/images/1.bmp

 预测得到的文件保存在PaddleDetection/output中

但是因为框出目标的颜色是随机产生的，所以黑色也包含在其中，所以我把边框颜色固定了

文件在/PaddleDetection/ppdet/utils/visualizer.py下

导出模型

!python tools/export_model.py -c configs/yolov3/yolov3_mobilenet_v1_ssld_270e_voc.yml  -o weights=output/yolov3_mobilenet_v1_ssld_270e_voc/best_model.pdparams
# 导出的模型存在PaddleDetection/output_inference下

预测，阈值这里设置的0.3，实践中可以根据自己的实际需求调整（测试图片）

如果要预测视频的话，只需要将  --image_file 改为  --video_file即可

 

!python deploy/python/infer.py --model_dir=output_inference/yolov3_mobilenet_v1_ssld_270e_voc --image_file=/home/aistudio/work/voc_data/Test/a.jpg  --device GPU --thresh=0.3

这里设置框的颜色，在PaddleDetection/deploy/python/visualize.py下修改红色画出的位置

这里通道是RGB(检测图片)，  检测视频是BGR

完成辣！