fastrcnn网络模型_「AI实战」动手训练自己的目标检测模型（YOLO篇）

最新推荐文章于 2023-07-08 23:43:12 发布
最新推荐文章于 2023-07-08 23:43:12 发布
阅读量214 收藏
点赞数
文章标签： fastrcnn网络模型 keras faster物体检测 pycharm运行模型时怎么设置权重? ssd目标检测训练自己的数据 tensorflow 目标检测 yolo v3制作自己的数据
50e6c8596e1a08bc510b93061d8296c3.png

在前面的文章中，已经介绍了基于SSD使用自己的数据训练目标检测模型(见文章：手把手教你训练自己的目标检测模型)，本文将基于另一个目标检测模型YOLO，介绍如何使用自己的数据进行训练。

9522ea9f47aa7a77157f6c5351c3ca12.png

YOLO(You only look once)是目前流行的目标检测模型之一，目前最新已经发展到V3版本了，在业界的应用也很广泛。YOLO的基本原理是：首先对输入图像划分成7x7的网格，对每个网格预测2个边框，然后根据阈值去除可能性比较低的目标窗口，最后再使用边框合并的方式去除冗余窗口，得出检测结果，如下图：

993a0402ec2738bc00e9f103e499396a.png

YOLO的特点就是“快”，但由于YOLO对每个网格只预测一个物体，就容易造成漏检，对物体的尺度相对比较敏感，对于尺度变化较大的物体泛化能力较差。

本文的目标仍旧是在图像中识别检测出可爱的熊猫

40a92b440ce0c9bc5454c89d04401bf2.png

基于YOLO使用自己的数据训练目标检测模型，训练过程跟前面文章所介绍的基于SSD训练模型一样，主要步骤如下：

24a432c61b11aa1d8d875dccda3eefd1.png

1、安装标注工具

本案例采用的标注工具是labelImg，在前面的文章介绍训练SSD模型时有详细介绍了安装方法(见文章：手把手教你训练自己的目标检测模型)，在此就不再赘述了。

成功安装后的labelImg标注工具，如下图：

0b6170c530a2a0613d64b89fe4e4ba29.png

2、标注数据

使用labelImg工具对熊猫照片进行画框标注，自动生成VOC_2007格式的xml文件，保存为训练数据集。操作方式跟前面的文章介绍训练SSD模型的标注方法一样(见文章：手把手教你训练自己的目标检测模型)，在此就不再赘述了。

63ef921af19ffe61464352d0bac3e7f9.png

3、配置YOLO

(1)安装Keras

ff0402de55ee13c37b3b8885e2f7b350.png

本案例选用YOLO的最新V3版本，基于Keras版本。Keras是一个高层神经网络API，以Tensorflow、Theano和CNTK作为后端。由于本案例的基础环境(见文章：AI基础环境搭建)已经安装了tensorflow，因此，Keras底层将会调用tensorflow跑模型。Keras安装方式如下：

# 切换虚拟环境source activate tensorflow# 安装keras-gpu版本conda install keras-gpu# 如果是安装 keras cpu版本，则执行以下指令#conda install keras

keras版本的yolo3还依赖于PIL工具包，如果之前没安装的，也要在anaconda中安装

# 安装 PILconda install pillow

(2)下载yolo3源代码

在keras-yolo3的github上下载源代码(https://github.com/qqwweee/keras-yolo3)，使用git进行clone或者直接下载成zip压缩文件。

c32c3a0f2f7af06022c1887f2d0390d3.png

(3)导入PyCharm

打开PyCharm，新建项目，将keras-yolo3的源代码导入到PyCharm中

4f2b8a3ede405289ca1af0a0f39971f7.png

4、下载预训练模型

YOLO官网上提供了YOLOv3模型训练好的权重文件，把它下载保存到电脑上。下载地址为https://pjreddie.com/media/files/yolov3.weights

5、训练模型

接下来到了关键的步骤：训练模型。在训练模型之前，还有几项准备工作要做。

(1)转换标注数据文件

YOLO采用的标注数据文件，每一行由文件所在路径、标注框的位置(左上角、右下角)、类别ID组成，格式为：image_file_path x_min,y_min,x_max,y_max,class_id

例子如下：

3a4c12076c972bde106d398b23ecf262.png

这种文件格式跟前面制作好的VOC_2007标注文件的格式不一样，Keras-yolo3里面提供了voc格式转yolo格式的转换脚本 voc_annotation.py

在转换格式之前，先打开voc_annotation.py文件，修改里面的classes的值。例如本案例在voc_2007中标注的熊猫的物体命名为panda，因此voc_annotation.py修改为：

import xml.etree.ElementTree as ETfrom os import getcwdsets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]classes = ["panda"]

新建文件夹VOCdevkit/VOC2007，将熊猫的标注数据文件夹Annotations、ImageSets、JPEGImages放到文件夹VOCdevkit/VOC2007里面，然后执行转换脚本，代码如下：

mkdir VOCdevkitmkdir VOCdevkit/VOC2007mv Annotations VOCdevkit/VOC2007mv ImageSets VOCdevkit/VOC2007mv JPEGImages VOCdevkit/VOC2007source activate tensorflowpython voc_annotation.py

转换后，将会自动生成yolo格式的文件，包括训练集、测试集、验证集。

21c42ef203ffd7beee85ccb30f856732.png

(2)创建类别文件

在PyCharm导入的keras-yolo3源代码中，在model_data目录里面新建一个类别文件my_class.txt，将标注物体的类别写到里面，每行一个类别，如下：

28d87823351f2884fba99628d0452b32.png

(3)转换权重文件

将前面下载的yolo权重文件yolov3.weights转换成适合Keras的模型文件，转换代码如下：

source activate tensorflowpython convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5

(4)修改训练文件的路径配置

修改train.py里面的相关路径配置，主要有：annotation_path、classes_path、weights_path

3ce39fffc5762e3ece01b87fbe200cda.png

其中，train.py里面的batch_size默认是32(第57行)，指每次处理时批量处理的数量，数值越大对机器的性能要求越高，因此可根据电脑的实际情况进行调高或调低

(5)训练模型

经过以上的配置后，终于全部都准备好了，执行train.py就可以开始进行训练。

f34915497ca746a591eaac41e5418d2b.png

训练后的模型，默认保存路径为logs/000/trained_weights_final.h5，可以根据需要进行修改，位于train.py的第85行，可修改模型保存的名称。

6、使用模型

完成模型的训练之后，调用yolo.py即可使用我们训练好的模型。

首先，修改yolo.py里面的模型路径、类别文件路径，如下：

class YOLO(object): _defaults = { "model_path": 'logs/000/trained_weights_final.h5', "anchors_path": 'model_data/yolo_anchors.txt', "classes_path": 'model_data/my_classes.txt', "score" : 0.3, "iou" : 0.45, "model_image_size" : (416, 416), "gpu_num" : 1, }

通过调用 YOLO类就能使用YOLO模型，为方便测试，在yolo.py最后增加以下代码，只要修改图像路径后，就能使用自己的yolo模型了

if __name__ == '__main__': yolo=YOLO() path = '/data/work/tensorflow/data/panda_test/1.jpg' try: image = Image.open(path) except: print('Open Error! Try again!') else: r_image, _ = yolo.detect_image(image) r_image.show() yolo.close_session()

执行后，可爱的熊猫就被乖乖圈出来了，呵呵

d3c4662a7360f9b6cf70fc89a83a56ab.png

通过以上步骤，我们又学习了基于YOLO来训练自己的目标检测模型，这样在应用中可以结合实际需求，使用SSD、YOLO训练自己的数据，并从中选择出效果更好的目标检测模型。

关注本人公众号“大数据与人工智能Lab”(BigdataAILab)，然后回复“代码”关键字可获取 完整源代码。

32ec3d3e707c59db26aa9d78d1701c75.png
512fa49e5794f23665f423503f13301f.png

推荐相关阅读

  • 【AI实战】快速掌握TensorFlow(一)：基本操作
  • 【AI实战】快速掌握TensorFlow(二)：计算图、会话
  • 【AI实战】快速掌握TensorFlow(三)：激励函数
  • 【AI实战】快速掌握TensorFlow(四)：损失函数
  • 【AI实战】搭建基础环境
  • 【AI实战】训练第一个模型
  • 【AI实战】编写人脸识别程序
  • 【AI实战】动手训练目标检测模型(SSD篇)
  • 【AI实战】动手训练目标检测模型(YOLO篇)
  • 【精华整理】CNN进化史
  • 大话卷积神经网络(CNN)
  • 大话循环神经网络(RNN)
  • 大话深度残差网络(DRN)
  • 大话深度信念网络(DBN)
  • 大话CNN经典模型：LeNet
  • 大话CNN经典模型：AlexNet
  • 大话CNN经典模型：VGGNet
  • 大话CNN经典模型：GoogLeNet
  • 大话目标检测经典模型：RCNN、Fast RCNN、Faster RCNN
  • 大话目标检测经典模型：Mask R-CNN
  • 27种深度学习经典模型
  • 浅说“迁移学习”
  • 什么是“强化学习”
  • AlphaGo算法原理浅析
  • 大数据究竟有多少个V
  • Apache Hadoop 2.8 完全分布式集群搭建超详细教程
  • Apache Hive 2.1.1 安装配置超详细教程
  • Apache HBase 1.2.6 完全分布式集群搭建超详细教程
  • 离线安装Cloudera Manager 5和CDH5(最新版5.13.0)超详细教程

参考文献：K码农-http://kmanong.top/kmn/qxw/form/home?top_cate=28

weixin_39785400
关注
目标检测YOLO实战应用案例100讲-基于小样本的目标检测与跟踪模型研究
qq_36130719的博客
06-12 1745
小样本学习就是使用远小于深度学习所需要的数据样本，达到接近甚至超越大数据深度学习的效果，也即是小样本学习的本质就是学习的效果与数据比较的提升。小样本学习在元训练阶段，通过将训练集均分为多组形成不同的元任务，让模型能够学习独立于任务的泛化能力。那样在元测试阶段，即使面对的是全新的类别，模型通过少量的训练或者不需要再次训练，也能够快速准确的识别新类别。简而言之，在元训练阶段，从训练集中随机选择C×K个样本构成元任务，其中C为类别数，K为每类样本的数量。
目标检测YOLO实战应用案例100讲-面向小样本的目标检测技术研究与应用
最新发布
qq_36130719的博客
07-12 1107
深度学习从2010年到2022年这12年期间取得了巨大的进步，产生了巨大的影 响。这主要归功于神经网络特别是卷积神经网络（ConvNets）的再次兴起，2012年 AlexNet[9]的问世催生了“ImageNet时刻”，卷积神经网络很快成为处理图像数据的首 选技术，开创了计算机视觉的新时代，这一领域自此迅速发展。Simonyan和Zisserman 研究了网络深度提出了VGGNet[ 42]，使用小卷积滤波器来构造不同深度的网络。大大 减少了网络参数，使得网络收敛得更快。
YOLO模型
Y_091105的博客
05-19 5090
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录一、yolo是什么？二、yolo的原理目标原理2.读入数据总结 一、yolo是什么？ yolo是目标检测模型。目标检测是计算机视觉中比较简单的任务，用来在一张图片中找到特定的物体，目标检测不仅要求对物体的种类进行识别，同时要求我们对物体的位置进行标记。而且YOLO相比于以往的带有建议框的神经网络，速度大有提升。 类别是离散数据，位置是连续数据。 二、yolo的原理 目标 我们的目的是找出一张图片上物体的位置和种类，这其中包含5个.
YOLO怎么入门？怎么实现自己的训练集？
gu1857035894的博客
07-31 827
目标检测是计算机视觉中比较简单的任务，用来在一张图篇中找到某些特定的物体，目标检测不仅要求我们识别这些物体的种类，同时要求我们标出这些物体的位置。很显然，整体上这三类任务从易到难，我们要讨论的目标检测位于中间。前面的分类任务是我们做目标检测的基础，至于像素级别的实例分割，太难了别想了。学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。上面的图片中，分别是计算机视觉的三类任务分类，目标检测，实例分割。显然，类别是离散数据，位置是连续数据。...
目标检测中YOLO网络模型的介绍
weixin_42285271的博客
02-25 4419
目前，在目标检测领域大致分为两大流派： 1、（two-stage）两步走算法：先计算候选区域然后进行CNN分类，如RCNN系列网络 2、（one-stage）一步走算法：直接同时输出定位和分类结果，如SSD、YOLO系列网络 两步走的算法准确率较高，然而计算速度慢，经过改进的Faster R-CNN检测时间为5-7FPS，为了满足实际场景的实时性，产生了YOLO、SSD等算法。 YOLO的检测思...
YOLOV3网络模型
pywin
02-28 1951
YOLOV3
YOLO深度网络
05-16
RCNN、Fast RCNN、Faster RCNN 都是基于深度神经网络的图像目标检测模型。虽然这一系列模型在训练和检测上针对精 度与效率都在不断地优化，但是仍旧没有实现训练测试的端到端，而 且当前的检测速度也还无法针对视频进行目标检测。因此，Girshick 团队又提出了针 对视频进行目标检测的模型 YOLO(You Only Look Once)，该模型的训练和测试上 都是端到端的操作。
【AI实战】动手训练自己的目标检测模型（YOLO篇）
雪饼的博客
05-30 5019
在前面的文章中，已经介绍了基于SSD使用自己的数据训练目标检测模型（见文章：手把手教你训练自己的目标检测模型），本文将基于另一个目标检测模型YOLO，介绍如何使用自己的数据进行训练。 YOLO（You only look once）是目前流行的目标检测模型之一，目前最新已经发展到V3版本了，在业界的应用也很广泛。YOLO的基本原理是：首先对输入图像划分成7x7的网格，对每个网格预测2个边...
【AI实战】手把手教你训练自己的目标检测模型（SSD篇）
雪饼的博客
05-27 1万+
目标检测是AI的一项重要应用，通过目标检测模型能在图像中把人、动物、汽车、飞机等目标物体检测出来，甚至还能将物体的轮廓描绘出来，就像下面这张图，是不是很酷炫呢，嘿嘿 在动手训练自己的目标检测模型之前，建议先了解一下目标检测模型的原理（见文章：大话目标检测经典模型RCNN、Fast RCNN、Faster RCNN，以及Mark R-CNN），这样才会更加清楚模型的训练过程。 本文将在我们前...
yolov4的网络模型--代码和注释
DeepCBW的博客
05-24 412
yolov4整体网络结构设计代码
YOLO模型详解
qq_41685265的博客
08-09 1万+
简介 YOLO模型是用来目标检测的，也就是在一副图像中检测到物体并识别出物体在图像中所在的位置，YOLO相比于以往的带有建议框的神经网络，速度大有提升，下边详细介绍YOLO网络 YOLO网络层 网络还是比较简单的，从448*448*3的图像依次经过途中所有卷积层与池化层得出了7*7*1024的特征图，再经过两层全连接层得到7*7*30的输出结果 下边解释一下为什么输出层数是30，当我们得到7*7*1024的特征图时，对每一个网格都做一次预测，也就...
通俗易懂的YOLO系列（从V1到V5）模型解读！
小白学视觉
01-01 3万+
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达0 前言本文目的是用尽量浅显易懂的语言让零基础小白能够理解什么是YOLO系列模型，以及他们的设计思想和改进思路分别是什...
YOLOv5网络模型的结构原理讲解（全）
码农研究僧的博客
04-25 6万+
YOLOv5有几种不同的架构，各网络模型算法性能分别如下： YOLOv5是一种目标检测算法，其模型结构主要包括以下组成部分：输入端：YOLOv5的Head网络由3个不同的输出层组成，分别负责检测大中小尺度的目标。Backbone网络：YOLOv5使用CSPDarknet53作为其主干网络，其具有较强的特征提取能力和计算效率。Neck网络：YOLOv5使用的是FPN(FPN网络能够在不同的特征图层次上进行检测，可以提高目标检测的性能)网络，可以融合来自不同特征图层次的信息。输出端：损失函数，YOLOv5使用的
【YOLOv5】详细讲解全过程
热门推荐
mjiansun的专栏
07-30 8万+
以Yolov5s的结构为例，原始608*608*3的图像输入Focus结构，采用切片操作，先变成304*304*12的特征图，再经过一次32个卷积核的卷积操作，最终变成304*304*32的特征图。，代入上面（2）的计算公式中，可以得到Yolov5l的Focus结构中，卷积下采样操作的卷积核的数量为64个，而第二个卷积下采样的卷积核数量是128个。作者认为，在项目实际使用时，很多图片的长宽比不同，因此缩放填充后，两端的黑边大小都不同，而如果填充的比较多，则存在信息冗余，影响推理速度。.........
YOLOv1-7全系列模型大合集，学习记录和思考
qq_53250079的博客
07-08 2365
YOLO系列V1~V7，模型框架各个部分的理解学习。
数据集：YOLOV5格式转fasterRcnn格式（xml可视化）
BABABSBC的博客
01-15 1693
数据集：YOLOV5格式转fasterRcnn格式（xml可视化）
目标检测菜鸟起飞路线： 第一线--YOLOV3代码运行详解
sosoii的博客
08-09 1865
目标检测菜鸟起飞路线 第一线：YOLOV3代码运行详解 我是个小白，我先跑通yolov3代码再说 参考文章：https://blog.csdn.net/m0_37857151/article/details/81330699 https://my.oschina.net/u/876354/blog/1927881 代码地址： https://github.com/qqwweee/keras-yol...
yolov5s-6.0网络模型结构图
qianxun
02-09 3万+
因为在6.0上做的了一些东西，所以将6.0得网络模型画了出来，之前也画过5.0的网络模型，有兴趣的小伙伴可以看下。 yolov5s-5.0网络模型结构图_zhangdaoliang1的博客-CSDN博客_yolov5s模型结构看了很多yolov5方面的东西，最近需要yolov5得模型结构图，但是网上的最多的是大白老师的，但是大白老师的yolov5得模型结构图不知道是哪个版本得，肯定不是5.0和6.0版本得。参考了大白老师得模型结构图和其他大佬的模型结构图，以及参考了yolov5得onnx。画出了以下得结构
深度学习目标检测框架解析：RCNN、Fast RCNN、Faster RCNN、YOLO
"这篇文章主要介绍了基于深度学习的目标检测框架，包括RCNN、Fast R-CNN、Faster R-CNN和YOLO的算法原理和流程。这些框架在计算机视觉领域中用于识别并定位图像中的多个目标物体。" 目标检测是深度学习在计算机视觉...
评论
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
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