COCO格式数据集制作并使用yolact网络训练

前言：本文制作的数据集只有5张，仅供演示使用。

环境搭建请参考前文：

ubuntu18.04环境下的darknet+yolov3搭建及程序演示

本实验平台软硬件环境参数：

1. gpu：GTX 1060

2. cpu：intel i7-7700HQ

3. 内存：16GB

4. Ubuntu版本：18.04

5. NVIDIA驱动版本：390.116

6. python:3.6.8

7. cuda版本：cuda_9.0.176_384.81_linux

8. cudnn版本：cudnn-9.0-linux-x64-v7.1

本文使用的标注工具是labelme，来自wkentaro大神。

github：https://github.com/wkentaro/labelme

一 .你可以通过以下步骤对自己的数据集进行训练：(参考至官方文档)

1.为你的数据集创建一个COCO风格的目标检测JSON注释文件。这方面的说明可以参考下面。需要注意的是，我们不使用下列栏目，因此可以省略：

• info
• liscense
• Under image: license, flickr_url, coco_url, date_captured
• categories (我们使用自己的类别格式，见下文)

2.在data/config.py中的dataset_base下为数据集创建definition（有关每个字段的说明，请参阅dataset_base中的注释）：

my_custom_dataset = dataset_base.copy({
    'name': 'My Dataset',

    'train_images': 'path_to_training_images',
    'train_info':   'path_to_training_annotation',

    'valid_images': 'path_to_validation_images',
    'valid_info':   'path_to_validation_annotation',

    'has_gt': True,
    'class_names': ('my_class_id_1', 'my_class_id_2', 'my_class_id_3', ...)
})

3.两点注意事项

• 注释文件中的Class的ID应该从1开始，并按class_names顺序依次增加。如果您的注释文件（如COCO）不是这样，请参见在dataset_base中的label_map 。
• 如果不想创建验证数据集，请使用相同的图像路径和注释文件进行验证。默认情况下（请参见python train.py--help），train.py将每隔2个时期输出数据集中前5000个图像的mAP。

4.最后，在同一文件中的yolact_base_config中，将'dataset'的值更改为'my_custom_dataset'或您在上面命名config对象的任何内容。然后您可以使用上一节中的任何训练指令。

二.下载并安装Labelme

1.创建虚拟环境：

conda create -n labelme python=3.6

2.进入虚拟环境：

source activate labelme

3.安装pyqt5和labelme:

sudo apt-get install python3-pyqt5 
sudo pip3 install labelme

4.将项目clone至本地：
github链接：https://github.com/wkentaro/labelme

三.创建coco数据集

1.进入lambel文件夹，例如：/home/qrt/Downloads/labelme-master/examples/instance_segmentation 

将需要制成数据集的照片放入data_annotated文件夹里面。

2.进入labelme虚拟环境：

source activate labelme

3.输入labelme打开程序

4.点击左侧菜单的OpenDir打开存放数据图像的文件夹，例如：/home/qrt/Downloads/labelme-master/examples/instance_segmentation/data_annotated

5.依次点击：Edit->Create Polygons,然后绘制目标轮廓并创建标签，然后保存，直至绘制完成所有数据集图像。

5.文件夹里面每张图片生成一个对应的.json文件：

6.修改labels.txt文件

7.运行下面代码

./labelme2coco.py data_annotated data_dataset_coco --labels labels.txt

生成图像和标签两个文件夹

 四.修改yolact代码，训练数据集。

1.打开/media/qrt/data/yolact/yolact-master/data/config.py

 

如上图，修改训练集路径和标签路径。

2.修改数据名称和num_classes。（num_classes=数据集标签类数+1）

 3.训练数据。

参考官方说明：

（1）下载预训练权重放至根目录里的weights文件夹下

• For Resnet101, download resnet101_reducedfc.pth from here.
• For Resnet50, download resnet50-19c8e357.pth from here.
• For Darknet53, download darknet53.pth from here.

（2）在训练过程中按ctrl+c能够保存当前训练权重并保存在weight文件夹里。命名为：<config>_<epoch>_<iter>.pth

（3）训练

使用默认为8的batch size训练：

python train.py --config=yolact_base_config

根据根据实际情况可以适当调节batch size的大小，如果显卡性能低可以减小batch size大小：

python train.py --config=yolact_base_config --batch_size=5

从中断的权重继续训练：

python train.py --config=yolact_base_config --resume=weights/yolact_base_10_32100.pth --start_iter=-1

 帮助：

python train.py --help

4.测试 

在终端进入yolact项目根目录，然后进入创建好的虚拟环境里面。输入：

python eval.py --trained_model=weights/yolact_base_54_800000.pth --score_threshold=0.3 --top_k=100 --image=my_image.png

最后面是图片的绝对路径。

 

最后，欢迎在评论区交流、讨论。