1,首先下载模型代码,点击下载
2,搭建环境
按照requirements.txt 搭建环境,这里不赘述。
3,修改dataset_directory文件夹中的内容,下图为目录结构:
为了方便展示目录树,各个文件夹我只保留了3条数据,annotations文件夹是标注好的xml文件,每个文件内容类似为:
config_file文件夹下的需修改data.yaml文件,model.yaml不用修改。data.yaml文件内容为:
names修改为你目标检测任务需要的分类的名称,nc为一共的类别数。改完即可。
images文件夹是存放原图像的文件夹。
lables文件夹是存放标签的文件夹,每个文件下的内容类似这样:
txt_file文件夹存放了训练集图像路径train.txt和验证集图像路径val.txt,二个txt文件下的内容均类似这样:
labels.cache先不用管。
如果还没有标注数据的,推荐使用labelimg标注工具,点击下载labelimg工具。
3,修改training.py文件进行模型训练
将object_names改为自己的类别名称列表。然后运行training.py程序就可以训练模型了。
运行程序后,会自动生成runs文件夹,目录结构如下:
exp10_dataset_directory为最后保存的模型。
4,修改detect.py文件进行推理
detect.py文件内容为:
根据自己的需要,修改detect_image函数中inputfile,以及out_to_file,注意修改path_to_weight为自己训练好的模型,路径为:runs/exp10_dataset_directory/weights/best_dataset_directory.pt。
注意:如果不修改out_to_file,默认保存结果为路径为:images/detected文件夹下。
修改完之后就可以运行程序进行推理了,如果要检测视频,请修改detect_video函数。
Done!!!