YOLOV7部署DeepStream流程

  1.数据集标注

我们使用VOTT对图像数据集进行标注：

1. 将数据集拷贝到目标文件夹中，并创建结果文件夹。

2. 打开VOTT对数据集中的目标进行标注。

 3. 全部标注结束后将文件导出。我们会得到标注的图片和对应的XML标注文件。

2.格式转化

1. 因为YOLO系列训练需要TXT格式的标注文件，所以我们需要将XML标注文件转化为·TXT文件。

我们首先创建转化make_txt.py代码。

# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ["Belt"]   # 改成自己的类别
abs_path = os.getcwd()
print(abs_path)

def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    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('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('data/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
        # 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))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

2. 划分数据集。我们需要训练集、验证集和测试集，所以需要对数据集进行划分.

我们再创建数据集划分代码voc_label.py。

import os
import random
trainval_percent = 0.8
train_percent = 0.8
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/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('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/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()

3.模型训练

1. 首先创建数据配置文件。在YOLOV7的data数据集下创建myvoc.yaml配置文件。在文件里面写入训练集和验证集的路径、标注目标类别的数量以及标注类别的名称。

train: /home/11/yolov7/data/train.txt
val: /home/11/yolov7/data/val.txt

# number of classes
nc: 1


#class names
names: ["Belt"]

2. 然后对cfg/training文件下的yolov7.yaml文件进行修改。根据实际目标类别数量在该文件里面将number of classes进行修改。

3. 准备训练模型

第一步：我们将前面标注得到的图片和标注文件拷贝到YOLOV7的data数据集下。并创建一个新的文件夹取名ImageSets。

然后在YOLOV7文件夹下打开终端输入：

python make_txt.py

我们会得到label文件夹，里面就是转换得到的txt文件。

然后再次运行

python voc_label.py

 我们会在ImageSets里面得到这四个文件。

当这些准备工作完成后将data下的JPEGImages文件夹改名为images。然后准备训练。

我们在刚才的终端中输入：

python train.py --cfg cfg/training/yolov7.yaml --weights yolov7.pt --data data/myvoc.yaml --batch-size 32 --epochs 300

模型开始训练

 训练结束后会得到pt文件。然后我们需要将pt文件进行转化，因为只有转化为ONNX文件和Engine文件才能用TensorRT调用服务器GPU进行加速。

4. 部署

1. 下载DeepStream-Yolo-master项目文件。直接点击进入下载界面。

2. 找到DeepStream-Yolo-master/utils文件夹下的export_yoloV7.py文件并将该文件复制到YOLOV7的根目录处。该程序的主要目的就是将我们训练得到的模型文件转化为ONNX文件。

3. 模型转化，我们运行export_yoloV7.py文件，会将模型文件转换为ONNX文件。还是刚才的终端窗口我们输入：

python export_yoloV7.py --weight best_belt.pt

这个best_belt.pt是我们刚才训练得到的pt文件。我们就会得到这么一个ONNX文件。

5. DeepStream模型调用

1. 我们将前面下载的DeepStream-Yolo-master文件夹复制到Deepstream的source文件夹下。

2. 打开DeepStream-Yolo-master/nvdsinfer_custom_impl_Yolo文件夹，根据服务器的CUDA版本对Makefile进行修改。

3. 命令行输入make进行编译。

make

4. 对配置文件进行更改。打开deepstream_app_config.txt文件，将primary-gie文件进行更改。改为YOLOV7的配置文件。

5. 打开config_infer_primary_yolov7.txt对onnx-file进行更改。将我们之前得到的onnx文件移动到该文件夹下，并用新的得到的onnx文件的名称替换onnx-file。

6. 在命令行运行Deepstream就会得到对应的Engine文件。

deepstream-app -C deepstrea_app_config.txt

有了这两个文件就能对视频进行推理。