Day 16 - 进行影像辨识训练

Day 16 - 进行影像辨识训练

在进行训练的过程中，我们可能因为某些关系而中断训练，可能是网路断线或是电脑断电等问题，这时候我们可以用以下指令重新开始训练，简单来说就是把原先 darknet53.conv.74 的权重，换成最新一个训练权重结果，而后面是记录整个训练过程的纪录档，因为是用 -a 选项，所以也是会继续附加上去。

cd /home/ec2-user/fishRecognition/fishsite/FishRecognition
../darknet/darknet detector train cfg/obj.data cfg/yolov3.cfg weights/yolov3.backup | tee -a trainRecord.txt

最终，我们训练了 6 千多次，大约花了 5 个小时，因为晚上训练了一段时间，隔天早上又接着训练，所以没有记录确切时间。最终平均损失值约为 0.26 左右，已经是官方建议停止训练的范围 (0.05 ~ 3)内。接着要进行测试，看看训练结果如何，测试图片时需要有 data 这个目录，似乎是因为辨识完成后画图时需要有些图片在这个目录内，所以需要把这个目录建立一个链结到目前的目录里

ln -s ../darknet/data .
# 利用训练后的权重来进行模型测试
../darknet/darknet detector test cfg/obj.data cfg/yolov3.cfg weights/yolov3.backup ./labels/02-frame-608x608-0090.jpg
../darknet/darknet detector test cfg/obj.data cfg/yolov3.cfg weights/yolov3.backup ./labels/00-frame-608x608-0030.jpg
../darknet/darknet detector test cfg/obj.data cfg/yolov3.cfg weights/yolov3.backup ./labels/01-frame-608x608-0030.jpg

图 1、辨识鱼类目录的结构

测试后的输出结果，结果非常准确，照片中所有的鱼都有找到，且置信度很高。

图 2、测试的输出结果

下图是针对 3 种观赏鱼来进行辨识的结果，辨识时间很短，也都能准确找出来。

图 3、针对 3 种观赏鱼分别测试的结果

对于这样的结果很满意，但是主要的原因是样本数太少，且太相近，因为是从同一个影片撷取出来的，但只能说本次专案的目标本来就不在提供一个精准的结果，而是展示一个过程，以及展示一个全端架构，每一个部分都可以进行修改跟优化。以下内容是观察整个训练过程，观察平均损失的变化以及 IoU (交集与联集比，Intersection over Union)，简单来说平均损失可以视为猜错的量，数值越大表示模型越不准；IoU 是指模型所找出的方块框，与物件所在的方块框，如果等于 1，那就表示模型找到的方块框与物件所在的方块框完全重叠，就算是没有，也希望越大越好，当然，范围就是介于 0-1 之间，下图就是 IoU 的示意图，可以想像 A 方块框就是物件所在方块，B 方块框是模型猜测方块。

图 4、IoU 的示意图

以下三只程式的目的是要分析训验记录档，并将结果以图形方式呈现：

• extract_log.py：将 trainRecord.txt 的文字内容进行转换处理，并分别存成：train_log_loss.txt 和 train_log_iou.txt。
• train_iou_visualization.py：分析 train_log_loss.txt ，将平均损失的优化过程视觉化。
• train_loss_visualization.py：分析 train_log_iou.txt ，将交集与联集比 (IoU )的优化过程视觉化。

extract_log.py

#!/usr/bin/python
#coding=utf-8
import inspect
import os
import random
import sys
def extract_log(log_file, new_log_file, key_word):
    with open(log_file, 'r') as f:
        with open(new_log_file, 'w') as train_log:
            for line in f:
                #去除多 GPU 的同步记录；去除除零错误的记录
                if ('Syncing' in line) or ('nan' in line):
                    continue
                if key_word in line:
                    train_log.write(line)
    f.close()
    train_log.close()
 
extract_log('trainRecord.txt', 'train_log_loss.txt', 'images')
extract_log('trainRecord.txt', 'train_log_iou.txt', 'IOU')

下图就是 YOLOV3 训练时的纪录档 (trainRecord.txt)，上面的程式就是依照关键字 images 来形成 train_log_loss.txt 文档； IOU 来形成 train_log_iou.txt。

图 5、YOLOV3 训练时的纪录档

下图是每次叠代损失的文字记录档 train_log_loss.txt，共 6298 行。

图 6、每次叠代损失的文字记录档

下图是优化 IoU 的文字记录档 train_log_iou.txt ，共 106451 行。

图 7、优化 IoU 的文字记录档

train_iou_visualization.py

#!/usr/bin/python
#coding=utf-8
 
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
 
#根据自己的 log_loss.txt 中的行数修改 lines, 修改训练时的叠代起始次数 (start_ite) 和结束次数 (end_ite)。
lines = 6331
start_ite = 1 #log_loss.txt 里面的最小叠代次数
end_ite = 6298 #log_loss.txt里面的最大叠代次数
step = 30 # 跳行数，决定画图的稠密程度
igore = 0 # 当开始的 loss 较大时，你需要忽略前 igore 次叠代，注意这里是叠代次数
  
y_ticks = [1, 100, 200, 300, 500, 800] #纵坐标的值，可以自己设置。
data_path =  'train_log_loss.txt' #log_loss的路径。
 
####-只需要改上面的，下面的可以不改动
names = ['loss', 'avg', 'rate', 'seconds', 'images']
result = pd.read_csv(data_path, skiprows=[x for x in range(lines) if (x<lines*1.0/((end_ite - start_ite)*1.0)*igore or x%step!=9)], error_bad_lines=\
False, names=names)
result.head()
for name in names:
    result[name] = result[name].str.split(' ').str.get(1)
 
result.head()
result.tail()
 
for name in names:
    result[name] = pd.to_numeric(result[name])
result.dtypes
print(result['loss'].values)
 
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
 
x_num = len(result['loss'].values)
tmp = (end_ite-start_ite - igore)/(x_num*1.0)
x = []
for i in range(x_num):
    x.append(i*tmp + start_ite + igore)
#print(x)
print('total = %d\n' %x_num)
print('start = %d, end = %d\n' %(x[0], x[-1]))
 
ax.plot(x, result['loss'].values, label='avg_loss')
#ax.plot(result['loss'].values, label='loss')
plt.yticks(y_ticks)
plt.grid()
ax.legend(loc = 'best')
ax.set_title('The loss curves')
ax.set_xlabel('batches')
fig.savefig('loss')

下图中显示平均损失数量收敛的很快，在前200多次的叠代中就收敛 1 左右。

图 8、训练过程的平均损失变化

当我们忽略前 1000 次的叠代时，得到下图，可以发现训练过程中是有发生震荡的

igore = 1000 # 当开始的 loss 较大时，你需要忽略前 igore 次叠代，注意这里是叠代次数

图 9、训练过程2000次后的平均损失变化

train_loss_visualization.py

#!/usr/bin/python
#coding=utf-8
 
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
 
#根据log_iou修改行数
lines = 106451
step = 5000
start_ite = 100
end_ite = 10000
igore = 100
data_path =  'train_log_iou.txt'#log_loss的路径。
 
names = ['Region Avg IOU', 'Class', 'Obj', 'No Obj', '.5_Recall', '.7_Recall', 'count']
#result = pd.read_csv('log_iou.txt', skiprows=[x for x in range(lines) if (x%10==0 or x%10==9)]\
result = pd.read_csv(data_path, skiprows=[x for x in range(lines) if (x<lines*1.0/((end_ite - start_ite)*1.0)*igore or x%step!=0)]\
, error_bad_lines=False, names=names)
result.head()
 
for name in names:
    result[name] = result[name].str.split(': ').str.get(1)
result.head()
result.tail()
for name in names:
    result[name] = pd.to_numeric(result[name])
result.dtypes
 
 
####--------------
x_num = len(result['Region Avg IOU'].values)
tmp = (end_ite-start_ite - igore)/(x_num*1.0)
x = []
for i in range(x_num):
	x.append(i*tmp + start_ite + igore)
#print(x)
print('total = %d\n' %x_num)
print('start = %d, end = %d\n' %(x[0], x[-1]))
####-------------
 
 
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.plot(x, result['Region Avg IOU'].values, label='Region Avg IOU')
#ax.plot(result['Avg Recall'].values, label='Avg Recall')
plt.grid()
ax.legend(loc='best')
ax.set_title('The Region Avg IOU curves')
ax.set_xlabel('batches')
fig.savefig('iou')

下图显示的是 iou 的变化情形

图 10、训练过程中 IoU 的变化

参考资料

• YOLO-V3可视化训练过程中的参数，绘制loss、IOU、avg Recall等的曲线图, https://blog.csdn.net/qq_34806812/article/details/81459982
• Python影像辨識筆記(九之四)：可視化YOLOv3訓練過程中的loss、IOU、avg Recall等的曲線, https://yanwei-liu.medium.com/python影像辨識筆記-九之四-可視化yolov3訓練過程中的loss-iou-avg-recall等的曲線圖-ef3d36daa5ec