【Yolact训练自己的数据从实战到调参】

最新推荐文章于 2023-08-10 22:53:55 发布

王挣银

最新推荐文章于 2023-08-10 22:53:55 发布

阅读量1w

点赞数 8

文章标签： pytorch 深度学习 python windows 人工智能

本文链接：https://blog.csdn.net/qq_29960631/article/details/121868681

版权

100%完美运行，期间踩过许多坑，数据集的坑、代码的坑都有。现在做一下总结，也希望后来者能快速上手，避免浪费不必要的时间。

写在前面，读者们就不要偷懒了，按照我这边的步骤一步一步操作是肯定能够成功的。鄙人踩过的大多数坑皆是因为耍小聪明。coco数据集的准备我在【Yolact数据集制作-labelme使用与转coco详解】已有详细介绍，按步骤操作即可

【Yolact数据集制作-labelme使用与转coco详解】

一、训练自己的数据与预测

1、训练自己的数据train.py

1.1准备权重文件

准备数据集和权重文件，数据集在第一章已经配置好，这里介绍权重文件
进入https://github.com/dbolya/yolact下载权重文件到根目录./weights文件夹下（weights文件夹自己创建）

对应权重文件如下：
For Resnet101, download resnet101_reducedfc.pth from here.
For Resnet50, download resnet50-19c8e357.pth from here.
For Darknet53, download darknet53.pth from here.

1.2 修改默认配置文件config.py

进入data文件夹下找到config.py打开，按自己的需求修改下面的内容
在这里插入图片描述

1.2训练数据

#使用默认基础配置yolact_base_config训练，batch_size=8 （报错就改小一点）
python train.py --config=yolact_base_config

#使用默认基础配置yolact_base_config训练，指定batch_size=5
accordingly. python train.py --config=yolact_base_config --batch_size=5

#使用吗，默认基础配置yolact_base_config训练，指定权重文件
train.py --config=yolact_base_config --resume=weights/yolact_base_10_32100.pth --start_iter=-1

#使用帮助查看各参数的作用
python train.py --help

1.3训练结果

开始训练后，模型每10000次迭代保存一次模型到weights文件夹；也可以通过Ctrl + c 中断训练并保存模型到weights文件夹
训练完成后会在weights文件夹生成权重模型，用于后续的预测。

2、预测eval.py

数据准备好以后后面的其实没太多好说的，直接看下面
–trained_model：选择权重模型
–image/images/video :选择是对单张图像预测还是一些图像或者视频文件
后面的是指定输入文件（夹）和输出文件夹，以 “ ：”分隔

python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.15 --top_k=15 --images=path/to/input/folder:path/to/output/folder

在这里插入图片描述

二、Yolact模型各代码部分解读

划 ############################################
是我修改的地方

1、data\config.py

1.1训练自己数据必修改的文件

config.py 比较重要的几个部分：
1) COCO_CLASSES ：按labels.txt文件里的标签类型对应填好就行了
2) COCO_LABEL_MAP : 键值对数量与上面标签类型数量对应
3) DATASETS：主要包括训练数据地址、验证数据地址指定class_name（COCO_CLASSES），指定label_map（COCO_LABEL_MAP）等

dataset_base = Config({ }）：默认基础设置，如果train.py和eval.py中不指定config的话就使用当前配置

4) YOLACT v1.0 CONFIGS ：自定义数据集必修改的部分，最高级的参数配置部分。

yolact_base_config = coco_base_config.copy({ }) : config 默认配置，他调用了上一部分的coco_base_config、DATASETS

2、train.py

2.1 训练时可指定的参数

–batch_size：大小取决于你的显卡，报错就调小一点
–num_workers：线程数，一般都是需要设置为 “0”
–lr：学习率
–save_folder：训练完后模型保存的路径
–config：config配置文件选择，none为默认配置
–save_interval：每10000次迭代保存模型权重
–validation_epoch：每2个epoch进行一次验证计算
–dataset：数据集路径

parser.add_argument('--batch_size', default=4, type=int,  ########################################################################
                    help='Batch size for training')

parser.add_argument('--num_workers', default=0, type=int,  #######################################################################
                    help='Number of workers used in dataloading')

parser.add_argument('--lr', '--learning_rate', default=None, type=float,
                    help='Initial learning rate. Leave as None to read this from the config.')
parser.add_argument('--momentum', default=None, type=float,
                    help='Momentum for SGD. Leave as None to read this from the config.')
parser.add_argument('--decay', '--weight_decay', default=None, type=float,
                    help='Weight decay for SGD. Leave as None to read this from the config.')
                    
parser.add_argument('--save_folder', default='weights/',
                    help='Directory for saving checkpoint models.')

parser.add_argument('--config', default=None,    
                    help='The config object to use.')
                    
parser.add_argument('--save_interval', default=10000, type=int,
                    help='The number of iterations between saving the model.')
                    
parser.add_argument('--validation_size', default=5000, type=int,
                    help='The number of images to use for validation.')
                    
parser.add_argument('--validation_epoch', default=2, type=int,
                    help='Output validation information every n iterations. If -1, do no validation.')

parser.add_argument('--dataset', default=None, type=str,
                    help='If specified, override the dataset specified in the config with this one (example: coco2017_dataset).')

3、eval.py

3.1模型预测时可指定的参数

–trained_model：选择模型文件
–top_k：保存置信率最高的前15个目标
–config：选择config配置文件
–image：对单张图像进行预测，路径为单张图像
–images：对多张图像/图像路径文件夹进行预测
–video：指定视频进行预测
–score_threshold ：剔除掉低于0.15置信度的目标
–dataset：数据集路径

    parser.add_argument('--trained_model',##########################################################################################
                        default='weights/yolact_base_290_16000.pth', type=str,
                        help='Trained state_dict file path to open. If "interrupt", this will open the interrupt file.')

    parser.add_argument('--top_k', default=15, type=int, #################################################################
                        help='Further restrict the number of predictions to parse')
                        
    parser.add_argument('--config', default=None,   ##############################################################################
                        help='The config object to use.')

    parser.add_argument('--image', default=None, type=str,
                        help='A path to an image to use for display.')

    parser.add_argument('--images', default='D:/y/XM_TEST/yolact-master/data/coco/real_test', type=str,################################################################################
                        help='An input folder of images and output folder to save detected images. Should be in the format input->output.')
                        
    parser.add_argument('--video', default=None, type=str,
                        help='A path to a video to evaluate on. Passing in a number will use that index webcam.')
                        
    parser.add_argument('--score_threshold', default=0.15, type=float,   #################################################################################
                        help='Detections with a score under this threshold will not be considered. This currently only works in display mode.')
                        
    parser.add_argument('--dataset', default=None, type=str,
                        help='If specified, override the dataset specified in the config with this one (example: coco2017_dataset).')

三、报错解决

1、train报错

1.1 AssertionError: Image path does not exist: /mnt/sda/yolact/data/coco/images/train2017/000000423104.jpg

1.1和1.2都是每次训练完两个epoch就莫名其妙终止了。
在这里插入图片描述
解决办法:将验证集数据val中的数据复制到train文件夹的和训练数据放在一起。（不要问我为什么，我也没搞明白）https://github.com/dbolya/yolact/issues/379

1.2 TypeError: ‘NoneType’ object is not iterable

解决办法:数据集的问题，按照上面第一章json转coco部分重新准备数据集。

2、eval报错

2.1ValueError: not enough values to unpack

在这里插入图片描述
解决办法：eval中的884行的“ ：”要与命令中的“ ：”对应，如果还是不行就都改成“ :: ”https://github.com/dbolya/yolact/issues/99

四、训练自己的数据第二种办法

说明：从实战到调参训练自己样本数据的第二种办法，其实说白了想要训练无非以下几个步骤：

准备与之匹配的数据集（两组图像+汇总起来的两个json文件）
指定训练集样本数据地址、标签地址；指定验证集样本数据地址、标签地址。
指定标签种类、label_map
指定预训练模型
其他超参数如batchsize、预测样本地址等

1、准备coco数据集

参考我的另一篇文章，内容很详细
【Yolact数据集制作-labelme使用与转coco详解】

2、config配置

指定训练集样本数据地址、标签地址；指定验证集样本数据地址、标签地址。

config配置1
打开./data/config.py文件，在dataset下新添加内容如下。新添加数据集orange_dataset是copy的dataset_base，里面的内容是对dataset_base内容的重定义
class_name改为自己标签种类，label_map对种类数量对应
config配置2
定义自己的config配置，同样是copy的coco_base_config，内容是对coco_base_config的重定义
这里name、dataset、num_classes是必须要修改的
dataset是config配置1自己定义的；num_classes是自己样本的种类数+1；max_size我这里图像大小是384*384