YOLOV3–训练数据+视频检测
背景
当今,深度学习、人工智能是一个很火的方向。深度学习更是开启了机器视觉的新方向,如果要做物体识别,目标检测,你完全不用根据不同对象而重新设计算法(这是传统机器视觉的做法),它是一个黑箱,只需要制作好数据集,学会调参就可以很快的应用到你的项目中。
为什么是yolov3
关于目标检测,深度学习的算法有很多,有 two stage 的算法,它们的识别精度会相对于one stage 的算法高,但是在识别速率上并没有那么高。典型的one stage (我理解它为单阶段,卷积之后直接推理出结果,two stage则不是直接推理出来):YOLO系列 和SSD。如下图所示。用最简单易懂的话来总结yolo系列算法的关系,特点。
yolov1结构图如下。最终一张图片经过这个算法之后,输出只有一个7* 7 *30的张量,其中每一个grid cell单独拎出来开始一个类似于一条数组,有两个box(每个box用来预测一类目标,每个box有5个元素,分别是预测框的x、y坐标、框、高、置信度(概率)),后面就是这套模型对应的各个目标的得分。因为最终的gridcell代表的是原图像的一块很大的面积,而只有两个box来预测,因而会导致小物体的识别效果不好,甚至识别不出来,所以yolov1很快就被淘汰了。
YOLO v2的改进:
1.对网络每一层做输出做归一化。这样,输出被划分到 [0,1] 闭区间。不需要每层学习数据的分布,收敛速度加快。并且,解放了dropout,使mAP值提升。
预训练阶段v1使用224 * 224的imageNet数据集进行,然后检测阶段换了分辨率为448 * 448;这需要网络对尺寸的变换进行适应,可能会导致变换过程中权值更新不完全,降低检测时的mAP值;v2在224 * 224上预训练,又使用448*448进行适应性训练,最后使用448 * 448进行测试,能够缓解这一问题的发生。前两步均在ImageNet数据集上进行,后一步在自己的数据集上进行。
2.将Darknet-19网络的全连接层和最后一个pooling层去掉,使得最后的卷积层可以有更高分辨率的特征。416 * 416代替原来448 * 448,最终输入变成13 * 13大小的feature map输出。每个grid cell 给定 9 个框,由v1的7 * 7 * 2(30维向量中的前10个特征)变为13 * 13 * 9。这样可以提高定位准确性。
采用k-means的方式对训练集的bounding boxes做聚类,试图找到合适的anchor box,发现仅选取5种box就能达到Faster RCNN的9中box的效果。
每个bounding box预测5个值:x,y,w,h和o。x,y使用sigmoid函数进行归一化到(0,1)之间,这样处理使得模型训练更加稳定;添加一个 passthrough layer 层。即将前面一层的26 * 26的feature map和本层的13 * 13的feature map进行连接,有点像ResNet。经过层层卷积和pooling,小的object可能到最后都不见了,通过连接可以有效检测小的object。进行多尺度训练,在训练时,每训练10个batch,网络就会随机选择{320,352,…,608}中的另一种size的输入。size为32的倍数。这使得该网络可以检测不同尺寸的图像。
yolov3网络模型图如下:
1.它采用了darknet53代替darknet19;
2.生成了1313255,2626255,5252255三个尺度特征图;
3.采用9个尺寸的锚框,分别大、中、小;
4.对预测边框采用了逻辑回归预测;
5.能够检测出小物体;
6.识别速度快;
7.yolov3的每个grid cell有三个box,每个grid cell可以预测3个目标,与之前不同的是,对应元素并不是yolov1中放的预测框的坐标和框高,而是预测框的坐标框高与实际打标时的框的坐标框高之间的偏移量。如下图
上图公式中tx,ty,tw,th分别是预测框的坐标宽高的偏移量,Gx,Gy,Gw,Gh分别是真实框的坐标宽高,Px,Py,Pw,Ph分别是预测框的坐标宽高,上面的公式中比上Pw,Ph、取对数是因为要相对化处理,可以理解为归一化,因为,预测框有可能是预测大物体,那框就会很大,预测小物体,框就会很小,相对化处理后就会避免这种很极端情况的发生。
训练模型是就是不断训练逼近期望值,最终得到使上面公式中tx,ty,tw,th的值为零,损失值最小的那套权重。测试时,将box中的参数代入到上式中,就可以实现逻辑回归,大概的意思是偏移量代入到逻辑回归公式,就可以实现对锚框的平移、缩放,使之与真实边界框尽可能重叠。这是他边界回归预测的一个想法。
ubantu16.04环境下
下面说一下步骤:
我试下ubantu16.04下操作的,自己安装一下该系统:
安装完后先按着这个网站操作一下,里面会告诉你关于这个一开怎么用yolov3,按着步骤跑一遍。
这是一个用yolov3来跑雪人识别的,下面是我识别的效果:
经过了上面这个步骤,你应该会对怎么用它有自己一个理解,算是入门吧。
训练自己的数据集
1.下载labalimg这个软件;
2.网上下载图片,关于自己的数据集的收集,新建一个文件夹,存放图片;
3.新建另一个文件夹,存放打标之后的文件设置好保存的路径;
4.开始漫长的打标之旅,图片收集要多一些,越多越好,w:是开始画框的快捷键,d:是下一张照片,a :是上一张照片,空格是:确认照片,记得打标之后保存;
5.在对应的文件夹中建立如下文件夹,其中JPEGlmages放的是你数据集中的照片,labels是放你打标之后的xml文件,Annottations放的是xml文件转换成的txt文件,lmageSets文件夹下新建一个main文件夹。它是一个路径,最终在main文件夹下会生成4个txt文件,指示训练集测试集的路径。
下面这个py文件是将打标后xml文件转换成txt文件,这里需要注意更改相应的文件路径。
import os
import sys
import xml.etree.ElementTree as ET
import glob
#将打标之后的xml文件转换成txt文件
def xml_to_txt(indir,outdir):
os.chdir(indir)
annotations = os.listdir('.')
annotations = glob.glob(str(annotations)+'*.xml')
for i, file in enumerate(annotations):
file_save = file.split('.')[0]+'.txt'
file_txt=os.path.join(outdir,file_save)
f_w = open(file_txt,'w')
# actual parsing
in_file = open(file)
tree=ET.parse(in_file)
root = tree.getroot()
for obj in root.iter('object'):
current = list()
name = obj.find('name').text
xmlbox = obj.find('bndbox')
xn = xmlbox.find('xmin').text
xx = xmlbox.find('xmax').text
yn = xmlbox.find('ymin').text
yx = xmlbox.find('ymax').text
#print xn
f_w.write(xn+' '+yn+' '+xx+' '+yx+' '+name+'\n')
#f_w.write(str(name.encode("utf-8"))+"\n")
indir='/home/zj/mylabal' #xml目录
outdir='/home/zj/darknet2(2019.12.09)/scripts/VOCdevkit/VOC2007/labels' #txt目录
xml_to_txt(indir,outdir)
下面的代码是用于分配数据集和测试集的比例的一个py文件。同样需要将路径更改成对应自己的文件路径。
import os
import random
#用于分配训练集的比例权重,生成main下的各个文件
trainval_percent = 0.5
train_percent = 0.5
xmlfilepath = '/home/ZJ/文档/darknet2_2019_12_09/scripts/VOCdevkit/VOC2007/Annotations'
txtsavepath = '/home/ZJ/文档/darknet2_2019_12_09/scripts/VOCdevkit/VOC2007/ImageSets/Main'
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(txtsavepath+'/trainval.txt', 'w')
ftest = open(txtsavepath+'/test.txt', 'w')
ftrain = open(txtsavepath+'/train.txt', 'w')
fval = open(txtsavepath+'/val.txt', 'w')
for i in list:
name=total_xml[i][:-4]+'\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest .close()
还有更改voc.data文件 ,还有name文件(在data文件夹下)。voc.data 文件存放着指示你训练集测试集的路径。name文件指示着你训练的类别,如果测试时发现标签贴错了,可以更改name文件下名称的顺序。
之后就可以开始训练了,train_yolov3.log是日志文件,用于后面打印损失函数曲线图用。
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 | tee visualization/train_yolov3.log ##训练指令
./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_10000.weights data/80.jpg ##测试指令
开始漫长的训练之后,当训练中日志的avg参数的值小于0.1 即0.0几时可以视为训练可以结束了。在上面的测试指令中,要根据你训练得到的权重文件的路径,更改,以及你测试照片路径也要相应更改。打印loss曲线还有iou图如下,集体怎么打印网上资料很多。
测试如下:(照片是在网上找的。如有侵犯,请联系我。)
视频检测
流程如上面,代码如下,放在python文件夹下。需要将训练后的权重文件路径,视频文件路径,合成视频存放路径改成相应的路径。视频合成时,帧数要要设置好,才可以使合成视频和识别的视频匹配。这里我将识别的类别用不同颜色框起来显示。同时,yolov3处理图片是按rgb的顺序进行,opencv处理图片是bgr的顺序,所以也需要调整顺序,不然识别后的照片会颜色失真。我的处理是在运用opencv处理图片之前将图片的通道调整为bgr的顺序。
#coding=UTF-8
from ctypes import *
import math
import random
#import module named cv2 to draw
import cv2
import Image
def sample(probs):
s = sum(probs)
probs = [a/s for a in probs]
r = random.uniform(0, 1)
for i in range(len(probs)):
r = r - probs[i]
if r <= 0:
return i
return len(probs)-1
def c_array(ctype, values):
arr = (ctype*len(values))()
arr[:] = values
return arr
class BOX(Structure):
_fields_ = [("x", c_float),
("y", c_float),
("w", c_float),
("h", c_float)]
class DETECTION(Structure):
_fields_ = [("bbox", BOX),
("classes", c_int),
("prob", POINTER(c_float)),
("mask", POINTER(c_float)),
("objectness", c_float),
("sort_class", c_int)]
class IMAGE(Structure):
_fields_ = [("w", c_int),
("h", c_int),
("c", c_int),
("data", POINTER(c_float))]
class METADATA(Structure):
_fields_ = [("classes", c_int),
("names", POINTER(c_char_p))]
#lib = CDLL("/home/pjreddie/documents/darknet/libdarknet.so", RTLD_GLOBAL)
lib = CDLL("/home/ZJ/文档/darknet2_2019_12_09/libdarknet.so", RTLD_GLOBAL)
lib.network_width.argtypes = [c_void_p]
lib.network_width.restype = c_int
lib.network_height.argtypes = [c_void_p]
lib.network_height.restype = c_int
predict = lib.network_predict
predict.argtypes = [c_void_p, POINTER(c_float)]
predict.restype = POINTER(c_float)
set_gpu = lib.cuda_set_device
set_gpu.argtypes = [c_int]
make_image = lib.make_image
make_image.argtypes = [c_int, c_int, c_int]
make_image.restype = IMAGE
get_network_boxes = lib.get_network_boxes
get_network_boxes.argtypes = [c_void_p, c_int, c_int, c_float, c_float, POINTER(c_int), c_int, POINTER(c_int)]
get_network_boxes.restype = POINTER(DETECTION)
make_network_boxes = lib.make_network_boxes
make_network_boxes.argtypes = [c_void_p]
make_network_boxes.restype = POINTER(DETECTION)
free_detections = lib.free_detections
free_detections.argtypes = [POINTER(DETECTION), c_int]
free_ptrs = lib.free_ptrs
free_ptrs.argtypes = [POINTER(c_void_p), c_int]
network_predict = lib.network_predict
network_predict.argtypes = [c_void_p, POINTER(c_float)]
reset_rnn = lib.reset_rnn
reset_rnn.argtypes = [c_void_p]
load_net = lib.load_network
load_net.argtypes = [c_char_p, c_char_p, c_int]
load_net.restype = c_void_p
do_nms_obj = lib.do_nms_obj
do_nms_obj.argtypes = [POINTER(DETECTION), c_int, c_int, c_float]
do_nms_sort = lib.do_nms_sort
do_nms_sort.argtypes = [POINTER(DETECTION), c_int, c_int, c_float]
free_image = lib.free_image
free_image.argtypes = [IMAGE]
letterbox_image = lib.letterbox_image
letterbox_image.argtypes = [IMAGE, c_int, c_int]
letterbox_image.restype = IMAGE
load_meta = lib.get_metadata
lib.get_metadata.argtypes = [c_char_p]
lib.get_metadata.restype = METADATA
load_image = lib.load_image_color
load_image.argtypes = [c_char_p, c_int, c_int]
load_image.restype = IMAGE
rgbgr_image = lib.rgbgr_image
rgbgr_image.argtypes = [IMAGE]
predict_image = lib.network_predict_image
predict_image.argtypes = [c_void_p, IMAGE]
predict_image.restype = POINTER(c_float)
def classify(net, meta, im):
out = predict_image(net, im)
res = []
for i in range(meta.classes):
res.append((meta.names[i], out[i]))
res = sorted(res, key=lambda x: -x[1])
return res
#检测 第三个参数image是照片的路径
def detect(net, meta, image, thresh=.5, hier_thresh=.5, nms=.45):
im = load_image(image, 0, 0) #加载图片得到im对象
num = c_int(0)
pnum = pointer(num)
predict_image(net, im)
dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, None, 0, pnum)
num = pnum[0]
if (nms): do_nms_obj(dets, num, meta.classes, nms);
res = []
for j in range(num):
for i in range(meta.classes):
if dets[j].prob[i] > 0:
b = dets[j].bbox
res.append((meta.names[i], dets[j].prob[i], (b.x, b.y, b.w, b.h)))
res = sorted(res, key=lambda x: -x[1])
free_image(im)
free_detections(dets, num)
return res
# 2018.04.25 用于绘制物体框
def showPicResult(image):
img = cv2.imread(image)
img3=img[...,::-1]
cv2.imwrite(out_img, img3)
for i in range(len(r)):
x1=r[i][2][0]-r[i][2][2]/2
y1=r[i][2][1]-r[i][2][3]/2
x2=r[i][2][0]+r[i][2][2]/2
y2=r[i][2][1]+r[i][2][3]/2
im = cv2.imread(out_img)
#draw different color rectangl
#random color
#r_color = random.randint(0,255)#随机赋值
#g = random.randint(0,255)
#b = random.randint(0,255)
#cv2.rectangle(im,(int(x1),int(y1)),(int(x2),int(y2)),(r_color,g,b),2)#画框
if r[i][0] =="person":
cv2.rectangle(im,(int(x1),int(y1)),(int(x2),int(y2)),(0,0,255),3)
R=255
g=0
b=0
if r[i][0] =="motor":
cv2.rectangle(im,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),3)
R=0
g=255
b=0
if r[i][0] =="car":
cv2.rectangle(im,(int(x1),int(y1)),(int(x2),int(y2)),(255,0,0),3)
R=0
g=0
b=255
#cv2.rectangle(im,(int(x1),int(y1)),(int(x2),int(y2)),(255,0,0),3)
#putText 贴标
x3 = int(x1+5)
y3 = int(y1-10)
x4 = int(x1)
y4 = int()
font = cv2.FONT_HERSHEY_SIMPLEX
if ((x3<=im.shape[0]) and (y3>=0)):
im2 = cv2.putText(im, str(r[i][0])+":"+str(round((r[i][1]*100),2))+"%", (x3,y3), font, 0.8, (b,g,R) , 2)
else:
im2 = cv2.putText(im, str(r[i][0])+":"+str(round((r[i][1]*100),2))+"%", (int(x1),int(y1+6)), font, 0.8, (b,g,R) , 2)
#This is a method that works well.
#img2=im[...,::-1]
cv2.imwrite(out_img, im)
#img2=img[...,::-1]
#cv2.imwrite(out_img, img2)
#img4 = cv2.imread(out_img)
#img5 = img4[...,::-1]
cv2.imshow('yolo_image_detector',cv2.imread(out_img))
if __name__ == "__main__":
net = load_net("/home/ZJ/文档/darknet2_2019_12_09/cfg/yolov3-voc.cfg", "/home/ZJ/文档/darknet2_2019_12_09/backup/yolov3-voc_10000.weights", 0)
meta = load_meta("/home/ZJ/文档/darknet2_2019_12_09/cfg/voc.data")#加载路径
out_img = "/home/ZJ/文档/darknet2_2019_12_09/video/test_result.jpg"
video_tmp = "/home/ZJ/文档/darknet2_2019_12_09/video/video_tmp.jpg"#加载路径,导入对象
origin_video = '/home/ZJ/文档/darknet2_2019_12_09/video/123.mp4'#读取本地视频
# make a video_object and init the video object
cap = cv2.VideoCapture(origin_video)
# define picture to_down' coefficient of ratio
scaling_factor = 0.5#0.5
count = 0
img = cv2.imread(video_tmp)
imgInfo = img.shape
p_num = 0
size = (imgInfo[1],imgInfo[0]) #获取图片宽高度信息
fourcc= cv2.cv.FOURCC(*'XVID')#使用XVID编码器
videoWrite = cv2.VideoWriter('/home/ZJ/文档/darknet2_2019_12_09/video/final_out_video.avi',fourcc,29,size)# 根据图片的大小,创建写入对象 (文件名,支持的编码器,5帧,视频大小(图片大小))# loop until press 'esc' or 'q'
while (cap.isOpened()):
# collect current frame
ret, frame = cap.read()
if ret == True:
count = count + 1
#print count
else:
break
#detect and show per 50 frames #照片抽帧成图片
if count == 1:
count = 0
# resize the frame
frame = cv2.resize(frame,None,fx=scaling_factor,fy=scaling_factor,interpolation=cv2.INTER_AREA)
img_arr = Image.fromarray(frame)
img_goal = img_arr.save(video_tmp)
r = detect(net, meta,video_tmp)#检测,将结果赋值给r r是list类型
#print r
for j in range(len(r)):
print "检测结果:",r[j][0], "概率",' : ', round((100*r[j][1]),2),"%"
print r[j][2]
print ''
print '#*********************************#'
#display the rectangle of the objects in window
showPicResult(video_tmp)
p_num = p_num+1
fileName = "/home/ZJ/文档/darknet2_2019_12_09/video/test_result.jpg" #循环读取所有的图片
ig = cv2.imread(fileName)
#b,g,r=cv2.split(ig)
#img2=cv2.merge([r.g.b])
#img2=ig[...,::-1]
videoWrite.write(ig)# 将图片写入所创建的视频对象
#print ig
else:
continue
# wait 1ms per iteration; press Esc to jump out the loop
c = cv2.waitKey(1)
if (c==27) or (0xFF == ord('q')):
break
# release and close the display_window
print "共检测照片数量:",p_num
cap.release()
不允许上传太大的图片动图,所以,我测试了一段小视频,最终效果如下:
写在最后
做数据集的时候样本尽量大,1万张照片以上比较好,我只做了快4百张照片的一个数据集,所以有些元素并很好地没有识别出来。
本人也是刚接触目标检测,文笔有限,欢迎批评指正~
下一篇,应该是《细谈Resnet残差网络》~