Yolov3目标检测实现血液淋巴细胞识别

一、深度学习在图像领域的几大任务：

1.任务分类：

（a）图像分类 eg：ResNet        （判断有或者无）

（b）目标检测 eg：Faster-RCNN        （强调物体含义，可识别目标物体的位置和类别 ，返回的是标签+概率）

（c）语义分割  eg：FCN        （强调类别含义，能够识别像素的类别，分辨出是前景和背景）

（d）实例分割  eg：Mask-RCNN         （对同一类别的不同目标也用不同             颜色来区分，           只关注目标，不关注背景）

2.目标检测的实现：

（a）分类网络是基础：

常见的分类网络有： Alex Net、VGG、inceptionv1(Googlenet)、ResNet、WRN、SqueezeNet、 Xception、MobilieNet、ShuffleNet、DenseNet、SENet等等。

（b）目标检测网络可分为：

一阶段（One Stage）：速度快        eg：SSD、Yolo 基于anchors直接进行分类以及调整边界框

两阶段（Two Stage）：监测更准确 eg：Faster-RCNN

        1）通过专门的模块去生成候选框FPN 寻找前景（需要检测的目标）以及调整边界框（基于生成的anchors）

        2）基于之前生成的候选框进一步分类以及调整边界框（基于proposals）

二、YOLO算法的基本思想是：        

        首先通过特征提取网络提取输入特征，得到特定大小的特征图输出。输入图像分成13×13的网格单元，接着如果真实框中某个对象的中心坐标落在某个网格中，那么就由该网格来预测该对象每个对象有固定数量的边界框，YOLO v3中有三个边界框，使用逻辑回归确定用来预测的回归框。

三、Yolov3网络实现血液淋巴细胞识别：

总体实验步骤如下：

(1) 数据收集：kaggle下载到分类好的血液细胞数据集。

(2) 数据标注：使用 Labelimg 对淋巴细胞进行标注，获取存放数据的 xml 文件。

(3) PaddleDetection框架搭建：在百度服务器上实现。

(4) 数据集导入，生成对应的类别标签及划分训练集测试集验证集。

(5) 修改配置文件，改参数，配置优化器等。

(6) 开始训练模型并评估。

(7) 用训练出的最佳模型去做预测。

1.准备数据集：

 1.准备数据集：

分为如下图像和提前标记好的注释框两个文件夹：

 

其中名字一定要对应

2.标记过程如下

提前下载好labelimg

打开

Open Dir打开图片所在文件夹：

Change Save Dir打开标注文件存放的文件夹：

打开后做标记，结果如下，右边为标签名字：

 我用的是百度的深度学习框架如下图：

2.PaddleDetection环境搭建及数据集导入：

PaddleDetection安装文档参考：

PaddleDetection/INSTALL_cn.md at release/2.3 · PaddlePaddle/PaddleDetection (github.com)https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.3/docs/tutorials/INSTALL_cn.md

1.创建好新的项目并放入数据集：

 需要注意的：

2.加速克隆paddledetection：

git clone https://hub.fastgit.org/PaddlePaddle/PaddleDetection.git

也可以选择使用码云上的托管：

git clone https://gitee.com/paddlepaddle/PaddleDetection
pip install "git+https://hub.fastgit.org/cocodataset/cocoapi.git#subdirectory=PythonAPI"

网址参考：
https://blog.csdn.net/yegeli/article/details/108903013?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522163677390716780265434883%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=163677390716780265434883&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-4-108903013.pc_search_result_control_group&utm_term=%E5%85%8B%E9%9A%86paddledetection%E6%A1%86%E6%9E%B6%E8%BF%9E%E6%8E%A5%E8%B6%85%E6%97%B6&spm=1018.2226.3001.4187

安装成功如下：

                                 

3.解压缩数据集到PaddleDetection的dataset里：

unzip -oq /home/aistudio/data/data115861/淋巴细胞img标注.zip -d PaddleDetection/dataset/linbaxibao

结果如下：

 3.准备训练数据：

准备训练数据参考：

PaddleDetection/PrepareDataSet.md at release/2.3 · PaddlePaddle/PaddleDetection (github.com)https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.3/docs/tutorials/PrepareDataSet.md

1.在终端打开文件：

cd PaddleDetection/dataset/linbaxibao/淋巴细胞img标注/

结果如下：

2.设置类别标签：

echo -e "linbaxibao/linbaxibao" > label_list.txt  # 或者\

把所有图片放入all_image_list.txt中：

ls images/*.jpeg | shuf > all_image_list.txt

生成all_list.txt：

awk -F"/" '{print $2}' all_image_list.txt | awk -F".jpeg" '{print $1}'  | awk -F"\t" '{print "images/"$1".jpeg annotations/"$1".xml"}' > all_list.txt

3.划分训练集验证集测试集：

head -n 88 all_list.txt > test.txt
head -n 176 all_list.txt | tail -n 88 > valid.txt
tail -n 701 all_list.txt > train.txt

结果如下：

4.训练Yolov3网络：

训练过程参考：

PaddleDetection/GETTING_STARTED_cn.md at release/2.3 · PaddlePaddle/PaddleDetection (github.com)https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.3/docs/tutorials/GETTING_STARTED_cn.md

我使用的网络：
yolov3_mobilenet_v1_ssld_270e_voc.yml

1.打开的PaddleDetection路径下：

2.GPU单卡训练：

export CUDA_VISIBLE_DEVICES=0

pip install pycocotools
pip install lap
pip install 

3.训练：

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

训练过程如下：

（Mask-RCNN）

4.评估：

python -m paddle.distributed.launch --gpus 0 tools/train.py -c configs/yolov3/yolov3_mobilenet_v1_roadsign.yml --eval

5.预测：

python tools/infer.py -c configs/yolov3/yolov3_mobilenet_v1_ssld_270e_voc.yml --infer_img=dataset/linbaxibao/淋巴细胞img标注/images/_0_1106.jpeg --output_dir=dataset/yuce --draw_threshold=0.5 -o weights=output/yolov3_mobilenet_v1_ssld_270e_voc/model_final --use_vdl=Ture

 预测结果如下：