【雾天行人车辆检测】手把手教你复现 Image-Adaptive-YOLO 模型 ① ：Quick Test

最新推荐文章于 2024-04-19 09:38:57 发布
最新推荐文章于 2024-04-19 09:38:57 发布
阅读量1.1k 收藏 22
点赞数 15
文章标签： YOLO pycharm 深度学习 github
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/nanzhou520/article/details/136241231
版权

前言

文章性质：实操记录 💻

主要内容：主要记录了如何配置项目环境以及进行 Quick Test 。

项目源码：GitHub - wenyyu/Image-Adaptive-YOLO

冷知识+1：小伙伴们不经意的 点赞 👍🏻 与 收藏 ✨ 可以让作者更有创作动力！

 

目录

前言

Prepare

1、PyCharm 连接远程服务器

2、PyCharm 创建虚拟环境 

（1）更新 bashrc 的环境变量

（2）创建项目的虚拟环境  

（3）更新 bashrc 的环境变量 

（4）激活项目的虚拟环境

（5）新建虚拟环境的解释器

3、requirements.txt 安装依赖

4、下载 Datasets and Models

（1）PASCAL VOC

① 下载压缩包 

② 解压压缩包 

③ 目录结构展示

（2）Voc foggy & Models

① 解压（去雾相关）

② 解压（弱光相关）

5、运行 evaluate.py (Quick Test)

（1）过程报错处理 

① TypeError: Descriptors cannot not be created directly 

② ModuleNotFoundError: No module named 'easydict' 

（2）运行结果展示

Prepare

在作者提供的 README.md 文件中，已经有比较详细的步骤说明了。

1、PyCharm 连接远程服务器

具体的连接过程可以参考这篇博客：

【深度学习】手把手教你在远程服务器上跑 YOLOv3 相关代码（含环境配置）_在服务器上跑代码需要把数据集放上去吗-CSDN博客文章浏览阅读909次，点赞14次，收藏13次。这篇文章主要记录了如何配置项目环境以及如何在远程服务器上跑 YOLOv3 模型。_在服务器上跑代码需要把数据集放上去吗https://blog.csdn.net/nanzhou520/article/details/136062559【注意】图中的 Sync folders 就是项目代码在远程服务器上的存放路径。

2、PyCharm 创建虚拟环境 

（1）更新 bashrc 的环境变量

首先，进入远程服务器终端命令窗口后，我们应该更新 bashrc 中的环境变量： 

conda init bash && source /root/.bashrc

（2）创建项目的虚拟环境  

接着，我们会默认进入 base 环境，我们可以为项目创建新的虚拟环境：

conda create -n detection python=3.7

（3）更新 bashrc 的环境变量 

然后，我们需要再次更新 bashrc 中的环境变量：

conda init bash && source /root/.bashrc

（4）激活项目的虚拟环境

 最后，我们可以激活刚刚新建的虚拟环境：

conda activate detection

（5）新建虚拟环境的解释器

 成功创建虚拟环境后，我们需要新建对应的 Python 解释器，注意 第 1 步 的 SSH connection 应选择 Existing 。

【注意】图中的 Environment 选择 Existing ，Interpreter 选择对应的虚拟环境，Sync folders 就是项目代码在远程服务器上的存放路径。

3、requirements.txt 安装依赖

【Step1】复制项目在远程服务器上的绝对地址，比如我的是：/root/autodl-tmp/pycharm-project 。

【Step2】打开远程服务器的 Terminal 命令窗口，先用 cd 命令进入指定目录：

cd /root/autodl-tmp/pycharm-project

【Step3】再用 pip install 命令根据 requirements.txt 安装依赖：

pip install -r ./docs/requirements.txt

4、下载 Datasets and Models

（1）PASCAL VOC

根据作者提供的 README.md 文件下载 PASCAL VOC 的压缩包，并按照作者提供的文件结构解压：

$ wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
$ wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
$ wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar

VOC
├── test
 |    └──VOCdevkit
 |        └──VOC2007 (from VOCtest_06-Nov-2007.tar)
└── train
      └──VOCdevkit
          └──VOC2007 (from VOCtrainval_06-Nov-2007.tar)
          └──VOC2012 (from VOCtrainval_11-May-2012.tar)

① 下载压缩包 

关于文件上传的步骤，我们最好在 Tabby 中进行，关于 Tabby 如何连接远程服务器，可参考这篇博客：
【深度学习】手把手教你在远程服务器上跑 YOLOv3 相关代码（含环境配置）_在服务器上跑代码需要把数据集放上去吗-CSDN博客文章浏览阅读913次，点赞14次，收藏13次。这篇文章主要记录了如何配置项目环境以及如何在远程服务器上跑 YOLOv3 模型。_在服务器上跑代码需要把数据集放上去吗https://blog.csdn.net/nanzhou520/article/details/136062559?spm=1001.2014.3001.5501#2%E3%80%81%E5%88%9B%E5%BB%BA%C2%A0Python%20%E8%99%9A%E6%8B%9F%E7%8E%AF%E5%A2%83

【彩蛋】用 wget 下载数据集压缩包太慢了，建议直接复制链接后在本地用迅雷下载：

在本地用迅雷下载完成后，再将其上传至远程服务器中：

② 解压压缩包 

我将 VOC 文件夹放在 data 文件目录下，这里注意 VOC 文件夹的内部结构最好按照作者的设置来。

【Step1】用 tar -xvf 命令将 VOCtest_06-Nov-2007.tar 解压至指定目录：

tar -xvf VOCtest_06-Nov-2007.tar -C /root/autodl-tmp/pycharm_project/data/VOC/test

【Step2】用 tar -xvf 命令将 VOCtrainval_06-Nov-2007.tar 解压至指定目录：

tar -xvf VOCtrainval_06-Nov-2007.tar -C /root/autodl-tmp/pycharm_project/data/VOC/train

 【Step3】用 tar -xvf 命令将 VOCtrainval_11-May-2012.tar 解压至指定目录：

tar -xvf VOCtrainval_11-May-2012.tar -C /root/autodl-tmp/pycharm_project/data/VOC/train

③ 目录结构展示

前面解压压缩包的时候，我忘记指定文件夹名称啦！这里需要大家手动修改噢~

（2）Voc foggy & Models

根据 README.txt 文件中作者提供的网盘地址，在本地下载相关文件，并在 Tabby 中将其上传至远程服务器。

① 解压（去雾相关）

【Step1】先用 cd 命令进入 test_sub.zip 压缩包所在的文件路径： 

cd /root/autodl-tmp/pycharm_project/experiments/dataset_vocfog

再用 unzip 命令将 test_sub.zip 命令解压至当前路径： 

unzip test_sub.zip

【Step2】先用 cd 命令进入 checkpoint.zip 压缩包所在的文件路径： 

cd /root/autodl-tmp/pycharm_project/experiments/exp_101

再用 unzip 命令将 checkpoint.zip 命令解压至当前路径： 

unzip checkpoint.zip

② 解压（弱光相关）

【Step1】先用 cd 命令进入 voc_lowlight_test.zip 压缩包所在的文件路径： 

cd /root/autodl-tmp/pycharm_project/experiments_lowlight

再用 unzip 命令将 voc_lowlight_test.zip 命令解压至当前路径： 

unzip voc_lowlight_test.zip

【Step2】先用 cd 命令进入 checkpoint.zip 压缩包所在的文件路径： 

cd /root/autodl-tmp/pycharm_project/experiments_lowlight/exp_58

再用 unzip 命令将 checkpoint.zip 命令解压至当前路径： 

unzip checkpoint.zip

5、运行 evaluate.py (Quick Test)

（1）过程报错处理 

① TypeError: Descriptors cannot not be created directly 

【错误】TypeError: Descriptors cannot not be created directly

【解决】根据错误提示，用 pip install 命令安装 3.20 版本的 protobuf：

pip install protobuf==3.20

② ModuleNotFoundError: No module named 'easydict' 

【错误】ModuleNotFoundError: No module named 'easydict' 

【解决】根据错误提示，用 pip install 命令安装:

pip install easydict

（2）运行结果展示

作者正在煮茶
关注
  • 15
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
【雾天行人车辆检测】手把手教你复现 Image-Adaptive-YOLO 模型 ② ：Train！
作者正在煮茶中...
02-29 1124
这篇文章主要记录了如何调整项目代码以成功运行train.py文件，但遇到了 nan 问题。
ImageAdaptive-YOLO
whaosoft143ai的博客
12-21 1048
由于输入图像的域偏移，由高质量图像训练的一般目标检测模型在恶劣的天气条件下（例如，有雾和暗光）往往无法获得令人满意的结果。Narasimhan和Nayar以及You等人提出在恶劣天气下拍摄的图像可以分解为干净的图像及其对应的天气信息，而恶劣天气下的图像质量下降主要是由于天气信息和物体之间的相互作用造成的，这导致检测性能差。由于CNN在处理高分辨率图像（例如4000×3000）时会消耗大量的计算资源，研究者从下采样的256×256大小的低分辨率图像中学习滤波器参数，然后将相同的滤波器应用于原始分辨率的图像。
探索Image-Adaptive YOLO：智能图像检测的新突破
gitblog_00026的博客
04-19 338
探索Image-Adaptive YOLO：智能图像检测的新突破 项目地址:https://gitcode.com/wenyyu/Image-Adaptive-YOLO 在计算机视觉领域，YOLO（You Only Look Once）是一种广泛使用的实时目标检测系统。而Image-Adaptive YOLO是基于此经典算法的一个创新性改进，旨在提高在各种复杂环境下的目标检测性能。 项目简介 I...
Pycharm配置环境&本地训练yolov5（车辆检测）
热门推荐
Already8888的博客
04-23 1万+
整体过程较为顺利，yolov5使用起来非常友好。 yolov5开源网址： GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite anaconda 的安装见： 检测网数据集标注即使用方法（猫狗数据集）_无名大学生的博客-CSDN博客 ..................
图像自适应YOLO：恶劣天气下的目标检测（附源代码）
gzq0723的博客
12-18 3946
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式论文获取｜回复“IAYOLO”获取paper源代码：https://gith...
【计算机毕业设计参考程序代码】基于yolov8与pyqt5的交通车辆检测与统计分析程序
12-21 702
该项目采用了PyQt5、YOLOv8和TensorFlow创建了一个人工智能系统，旨在通过摄像头监控交通并使用YOLOv8模型分析图像，实现车辆检测和识别（包括汽车、摩托车、卡车和公共汽车）。此外，该系统还能够检测车速，并对超速的车辆进行罚款处理。然而，在实施该项目时，需要确保保护用户隐私，遵守相关法律法规，并确保罚款系统的准确性和公正性。-----------------------------程序使用说明------------------------------------
python+yolov3视频车辆检测代码
hmwz0001的博客
10-16 630
python+yolov3视频车辆检测代码。IDE工具：pycharm 2023。后端语言：python 3.11。
深度学习论文: Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions及其PyTorch实现
mingo_敏
12-18 7311
深度学习论文: Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions及其PyTorch实现 Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions PDF: https://arxiv.org/pdf/2112.08088.pdf PyTorch代码: https://github.com/shanglianlm0525/CvPytor
Image-Adaptive-3DLUT:学习自适应图像的3D查找表以实时实现高性能照片增强
03-31
经过480p分辨率训练的模型可以直接应用于4K（或更高分辨率）的图像，而不会降低性能。 这可以显着加快训练阶段，而无需加载非常沉重的高分辨率图像。抽象的近年来，目睹了基于学习的方法增强照片的色彩和色调的日益...
下采样matlab代码-Content-Adaptive-Image-Downsampling:这包含了JohannesKopf的图像处理论文
05-25
在"Content-Adaptive-Image-Downsampling-master"这个压缩包中，很可能包含了Johannes Kopf的源代码，这些代码可能包括图像分析模块、采样率分配函数、下采样操作的实现以及重建和后处理部分。通过阅读和理解这些...
参考论文1：SSDA-YOLO: SEMI-SUPERVISED DOMAIN ADAPTIVE YOLO FOR CROSS
最新发布
06-04
In this paper, we propose a novel semi supervised domain adaptive YOLO (SSDA-YOLO) based method to improve cross-domain detection performance by integrating the compact one-stage stronger detec
matlab有损压缩代码-Adaptive-lossy-compression-:基于分层张量的气候模型数据自适应有损压缩
05-27
本文将详细探讨基于Matlab实现的"Adaptive-lossy-compression"项目，它是一种针对气候模型数据的自适应有损压缩算法。这个开源项目利用分层张量的概念，旨在在保证数据质量的同时，有效减小存储需求，提高处理效率。...
vue-adaptive-utils:通过适应用户的能力为他们提供移情的体验
04-14
Vue自适应实用程序 通过适应用户的能力为他们提供移情的体验 这是什么 受“启发，以及我在工作的延续。 这是Vue 3.0复合API函数和实用程序的集合，可让您的应用适应用户的需求： 网络条件。 电池状态。...
基于图像自适应YOLO开发构建恶劣天气条件下目标检测系统【Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions】
Together_CZ的博客
03-18 1709
基于图像自适应YOLO开发构建恶劣天气条件下目标检测识别分析系统【Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions】
yolo改进---针对模糊场景
Hoshea_sun的博客
03-02 850
111
论文笔记2——Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions
weixin_45035977的博客
06-04 582
面临问题：基于深度学习的目标检测方法在传统的数据集上取得了很好的效果，但在恶劣天气条件下从低质量的图像中定位目标仍然具有挑战性。现有的方法要么难以平衡图像增强和目标检测的任务，要么往往忽略了对检测有利的潜在信息。提出方法：提出一种新的图像自适应YOLO（IA-YOLO）框架 ，其中每个图像都可以自适应地增强以获得更好的检测性能，具体来说，针对YOLO探测器的不利天气条件，提出了一种可微图像处理(DIP)模块，该模块的参数由小卷积神经网络（CNN-PP）预测。
改进YOLOv3！IA-YOLO：恶劣天气下的目标检测
qq_53545309的博客
10-29 849
像素级滤波器映射一个输入像素值 ��=(��,��,��) 转换为输出像素值 ��=(��,��,��)，其中 (�,�,�)分别表示红、绿、蓝三个颜色通道的值。用 � 参数学习tone 滤波器，用 {�0,�1,...,��−1} 表示，tone 曲线的点记为 (�/�,��/��)，其中 ��=∑�=0�−1��。其中 �(�) 为输入图像， ���(�(�)) 为高斯滤波器， � 为正缩放因子。通常，这样的调优过程是非常笨拙和昂贵的，以找到合适的参数，广泛的场景。图像锐化可以突出图像的细节。
Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions
like_jmo的博客
03-18 6425
用于恶劣天气条件下目标检测的图像自适应 YOLO Abstract 尽管基于深度学习的目标检测方法已经在传统数据集上取得了可喜的结果，但现在从低质量图像，例如在恶劣的天气条件下捕获定位对象，仍然具有挑战性。现有方法要么难以平衡图像增强和目标检测，或者经常忽略潜在的有利于检测的信息。为了缓解这个问题，我们提出了一种新颖的图像自适应 YOLO (IA-YOLO)框架，其中每个图像都可以自适应地增强更好的检测性能。具体来说，提出了一个可微分图像处理（DIP）模块来考虑YOLO 探测器的恶劣天气条件，其参数
MS-DAYOLO来了！多尺度域自适应的YOLO，恶劣天气也看得见！
阿木寺的博客
06-05 4270
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自：集智书童Multiscale Domain Adaptive YOLO for Cross-Domain Obj...
可以写改进的YOLO:AF-FPN替换金字塔模块提升目标检测精度方法的PYTHON代码吗
05-05
很抱歉，我作为一个语言模型，无法为您提供实际的代码编写。但是，我可以为您提供一些理论上的改进方法： YOLO是一种基于单阶段检测器的目标检测算法。在YOLOv3中，使用了金字塔模块来提高检测精度。然而，金字塔模块在处理不同尺度的特征图时可能会出现信息丢失的问题。因此，一种改进的方法是使用自适应特征金字塔网络（Adaptive Feature Pyramid Network，简称AF-FPN）来替换金字塔模块。 AF-FPN是一种可以自适应地生成多尺度特征图的网络。它可以根据输入图像的大小和目标的大小自动调整不同层次的特征图的分辨率和感受野大小，从而保留更多的目标信息。 下面是一些可能有用的参考文献： - Liu, S., Huang, D., Wang, Y., & Wang, L. (2019). Adaptive feature pyramid network for object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 8969-8978). - https://github.com/karolmajek/afpn-keras - https://github.com/WongKinYiu/yolov3-detection-head-with-afpn 这些参考文献和代码库可以帮助您更深入地了解AF-FPN和如何将其应用于YOLO的改进。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

作者正在煮茶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值