用 gun/sword 数据集训练你的物体检测模型，并对数据集中的验证集进行检测，计算出 mAP

最新推荐文章于 2024-05-19 20:58:24 发布
最新推荐文章于 2024-05-19 20:58:24 发布
阅读量676 收藏 3
点赞数
文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44810342/article/details/118279519
版权
本文详细介绍了如何在Windows环境下配置CUDA，安装OpenCV3.4.0，以及搭建Darknet框架的过程。通过VS2019编译Darknet，并针对不同CUDA版本进行相应配置。在训练和测试YOLOv3模型时，使用VOTT工具进行数据标注，并解决训练过程中的问题。最终，进行了模型验证，计算mAP，确保模型性能。整个流程涉及计算机视觉和深度学习的基础知识，适合初学者参考。
摘要由CSDN通过智能技术生成

环境配置

查看电脑的cuda版本

nvidia-smi

在这里插入图片描述

在这里插入图片描述

下载和安装opencv3.4.0

  • 下载地址：https://opencv.org/releases/page/4/

    • 我下载的是3.4.0的，安装其实很简单，只需要运行exe文件（运行的时候要记得关掉杀毒软件，我的傻舍友lxm因为这个问题搞了一晚上，还以为是她电脑的问题哈哈哈哈，结果把她的杀毒软件关掉就好可以了哈哈哈哈，幸好没有杀毒软件哈哈哈）
下载\安装和配置darknet

  1. 下载链接：https://download.csdn.net/download/weixin_42146230/18614951（感谢csm同学提供的各类衔接，真的让复习大物的我省了好多时间呜呜呜）

  2. 解压后得到一个darknet-master文件
    在这里插入图片描述

  3. 到darknet-master\build\darknet\文件夹中，找到darknet.vcxproj文件，将以下两处改成你安装的cuda版本
    在这里插入图片描述
    在这里插入图片描述

  4. 在vs中打开darknet-master\build\darknet中的darknet.sln，如果出现下面这个就按确定
    在这里插入图片描述

  5. 在【项目】 ->【 属性】->【VC++目录】中的包含目录和库目录放入opencv的目录路径

    在这里插入图片描述
    在这里插入图片描述

  6. 在【项目】 ->【 属性】->【链接器】->【输入】的附加依赖项中加入下面的lib
    在这里插入图片描述

  7. 【生成】->【生成darknet】
    这里如果生成不成功，则需要先去查查笔记本的算力，然后修改【项目】 ->【 属性】->【CUDA C/C++】的Device中修改下上面的数据（我的电脑算力是5.0，所以修改为50）
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

测试

  • 将yolov3.weights下载到darknet.exe所在的同级目录中，在该目录中运行cmd,然后输入以下命令，测试成功
    darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

    在这里插入图片描述

数据准备

  • 安装vott（直接双击vott-win.exe安装）（这里是从csm同学的笔记中的链接直接下载滴，感谢csm同学的分享）
    （安装好后，打开vott如下图）
    在这里插入图片描述

  • 打开课程网址上下载的gun_sword_data（【file】-【Open Image Directory…】），加入gun和sword两个标签后，按Continue就可以对图片进行标记
    在这里插入图片描述
    在这里插入图片描述

训练数据

  • 下载yolov4-tiny.conv.29
    https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.conv.29
    （此处使用了gyl同学提供的链接，再次感谢所有大佬！）

  • 在build\darknet\×64\目录下新建一个文件yolo-tiny-obj.cfg, 将以下代码复制下去（此处用的是csm同学提供的代码）

[net]
# Testing	#测试模式，测试时开启
#batch=1	# 
#subdivisions=1	# 
# Training	#训练模式，训练时开启，测试时注释
# 每批数量，根据配置设置，如果内存小，改小batch和subdivisions， batch和subdivisions越大，效果越好
# 要改
batch=64
# 要改
subdivisions=8 
width=416
height=416
channels=3	# 输入图像width height channels 长宽设置为32的倍数，因为下采样参数是32，最小320*320 最大608*608
momentum=0.9	# 动量参数，影响梯度下降速度
decay=0.0005	# 权重衰减正则项，防止过拟合
angle=0	# 旋转
saturation = 1.5	# 饱和度扩增
exposure = 1.5	# 曝光度
hue=.1	# 色调

learning_rate=0.00261	# 学习率，权值更新速度
burn_in=1000	# 迭代次数小于burn_in,学习率更新;大于burn_in,采用policy更新
# 要改
max_batches = 6000	# 训练达到max_batches停止
policy=steps	# 学习率调整策略policy：constant, steps, exp, poly, step, sig, RANDOM
# 要改
steps=4800,5400	# 步长
scales=.1,.1	# 学习率变化比例

[convolutional]
batch_normalize=1
filters=32
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=64
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[route]
layers=-1
groups=2
group_id=1

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

[route]
layers = -1,-2

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=leaky

[route]
layers = -6,-1

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[route]
layers=-1
groups=2
group_id=1

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[route]
layers = -1,-2

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[route]
layers = -6,-1

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[route]
layers=-1
groups=2
group_id=1

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[route]
layers = -1,-2

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[route]
layers = -6,-1

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

##################################

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[convolutional]
size=1
stride=1
pad=1
# 要改	# 3*(classes+5)
filters=21
activation=linear

[yolo]
mask = 3,4,5
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
# 要改	# 类别数，修改为实际需要数量
classes=2
num=6
jitter=.3
scale_x_y = 1.05
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
ignore_thresh = .7
truth_thresh = 1
random=0
resize=1.5
nms_kind=greedynms
beta_nms=0.6

[route]
layers = -4

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[upsample]
stride=2

[route]
layers = -1, 23

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[convolutional]
size=1
stride=1
pad=1
# 要改	# 3*(5+classes)
filters=21
activation=linear

[yolo]
mask = 1,2,3
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319	#预测框的初始宽高，第一个是w，第二个是h，总数量是num*2
# 要改	# 类别数，修改为实际需要数量
classes=2
num=6	# 每个grid预测的BoundingBox个数
jitter=.3	# # 利用数据抖动产生更多数据抑制过拟合.YOLOv2中使用的是crop，filp，以及net层的angle，flip是随机的，crop就是jitter的参数，tiny-yolo-voc.cfg中jitter=.2，就是在0~0.2中进行crop
scale_x_y = 1.05
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
ignore_thresh = .7	# # 决定是否需要计算IOU误差的参数，大于thresh，IOU误差不会夹在cost function中
truth_thresh = 1
random=0	#  如果为1每次迭代图片大小随机从320到608，步长为32，如果为0，每次训练大小与输入大小一致
resize=1.5
nms_kind=greedynms
beta_nms=0.6
  • 在build\darknet\×64目录下运行命令darknet.exe detector train data/obj.data yolov4-tiny-obj.cfg yolov4-tiny.conv.29 -map
然后数据就出错了呜呜呜
  • 一开始是出现Cannot load image data/obj/2bd75ea4acb158fc.jpgdata/obj/1a7544cff439c995.jpg百度发现可能是图片路径错误，然后去看来train.txt文件，发现有个数据集跟其他的不对齐，强迫症把它回车后再回来运行，结果就可以了
  • 然后是训练精准度一直降，这里是因为有个很奇怪的bug，在vott中输出做好的标记时，改变原来的输出路径就没办法把所有图片和标记都输出，一开始没发现这个问题，后面训练的时候，训练出的精准度一直在下降,回去看了下数据集才发现的。vott输出时不改路径重新来过，两小时无用功呜呜呜
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210629224938560.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDgxMDM0Mg==,size_16,color_FFFFFF,t_70)
成功训练的结果如下

在这里插入图片描述
这里想放因为电脑发热的太严重而产生的一张很搞笑的图哈哈哈
在这里插入图片描述

验证数据集

（这里是结合gyl同学和csm同学的笔记操作的）

  • 到这个网站下载mAP项目的代码，解压
  • 打开map\input\，将上面三个子目录内的所有内容都删掉
  • 打开之前在vott导出的output文件的data文件下test.txt文件，对着上面的图片名，到obj文件下将相应的测试图片复制到map\input\images-optional；同样地，将相应的txt文件复制到map\input\ground-truth
  • 把map\scripts\extra目录下的class_list.txt里面的所有内容删除, 第一行输入gun, 第二行输入sword, 然后保存文件
  • 把yolo-tiny-obj.cfg 文件里面的subvision和batch 改为1
  • 把训练生成的×64\backup\文件夹下的权重文件选一个复制到×64目录下（我选的是yolov4-tiny-obj_best.weights ）
  • 在build\darknet\×64 目录下运行darknet.exe detector test data/obj.data yolov4-tiny-obj.cfg yolov4-tiny-obj_best.weights -dont_show -ext_output < data/test.txt > result.txt -thresh 0.25
  • 在build\darknet\×64 目录下得到一个result.txt 文件, 把这个文件复制粘贴到map\input\detection_results 目录下
    （到这里以后参考gyl同学的操作会报各种错，所以参考了csm同学的做法）
  • 在result.txt文件的统计目录下放个脚本文件，运行该脚本，将生产的process_result.txt文档内如覆盖掉原来的result.txt文件内容，再把result.txt复制粘贴到map\input\detection_results 目录下
    脚本文件代码如下：
# mydarknet/process_result.txt
file_path = 'result.txt' 
with open(file_path, 'r') as f:
    data = f.readlines()
# print(data)
# 多余的话
stop_lt = ['Detection layer: 30 - type = 28', 'Detection layer: 37 - type = 28 ']
tip_word = 'Enter Image Path: '
new_data = []
for line in data:
    flag = True
    for stop_st in stop_lt:  # 判断每一句停用词
        if stop_st in line:
            flag = False
            if tip_word in line:
                new_data.append(tip_word)
    if flag:
        new_data.append(line)
with open('result_process.txt', 'w') as f:
    f.writelines(new_data)

  • 打开map\scripts\extra目录下的convert_dr_yolo.py 文件, 把里面的代码全部删掉, 换为以下代码, 然后保存文件, 并且运行该文件,运行成功后，到map\input\detection_results 目录下把result.txt 文件删掉

  • 修改scripts/extra/目录下的脚本convert_gt_yolo.py，然后运行改脚本（这里最后打开cmd运行看看有没有报错，我一开始是报NO module named 'cv2，在cmd中输入pip install opencv-contrib-python）
    在这里插入图片描述
    运行成功时：
    在这里插入图片描述

  • 运行map目录下的main.py脚本

    • 如果有报说什么建议你运行intersect-gt-and-dr.py，就去运行一遍（到D:\map\input\detection-results目录下，你会发下少生成了几张图片的测试结果，运行convert_dr_yolo.py可以删掉没生成测试结果的图片），然后在运行一遍main.py脚本
      在这里插入图片描述

结果：

在这里插入图片描述

橙子慢慢学
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
kaggle数据集 gun-violence-data_01-2013_03-2018
05-15
kaggle数据集 gun-violence-data_01-2013_03-2018kaggle数据集 gun-violence-data_01-2013_03-2018
gunpoint:Gun 的宁静 API，一个完全去中心化的（点对点或多主）数据库
08-04
枪口API Gunpoint 是的宁静 API。 您可以使用以下命令启动它： npm run start 你可以做什么，目前： /get/[key] ：使用它从定义的图形中获取数据（ GET请求）。 /put/[key] + request body (in JSON) ：在指定的图表中添加数据（ POST请求）。 /put/[graph 1]/in/[graph 2] ：将图 1 放入图 2（ POST请求）。 /delete/[data]/in/[graph] ：删除指定图中定义的数据（DELETE 请求）。
[数据集][目标检测]手枪机枪刀检测数据集VOC+YOLO格式5990张3类别
最新发布
FL1623863129的博客
05-19 217
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:[“Rifle”,“knife”,“pistol”]图片数量(jpg文件个数)：5990。标注数量(xml文件个数)：5990。标注数量(txt文件个数)：5990。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
Guns入门2
脚踏实地
10-12 489
一、将项目导入到Idea中，配置数据源： 在guns-admin的src/main/resource下： application.yml修改用户名与密码 二、实现自定义模块： 创建数据表： create table tbl_house( id int(32), house_user varchar(50), house_address varchar(200),...
vott-2.2.0-win32下载
08-07
vott-2.2.0-win32下载
VoTT安装包
04-01
VoTT是是微软发布的用于图像目标检测的标注工具，能够标记和注释图像目录或独立视频，用于神经网络训练、计算机视觉、目标识别等。
双目数据集Middlebury Stereo Data2014（三）
03-31
研究者可以利用这些数据来训练和测试他们的双目立体匹配算法，比如通过计算像素级别的视差图来重建深度信息，并与提供的深度图进行比较，以此评估算法的精度。 双目立体匹配技术的应用广泛，包括自动驾驶、无人机...
Insane Gun Sword AnimSet 疯狂枪剑动画集Unity游戏动作动画插件资源unitypackage
04-19
Insane Gun Sword AnimSet 疯狂枪剑动画集Unity游戏动作动画插件资源unitypackage 版本1.3 支持Unity版本2020.3.12或更高 推荐 超动作角色扮演游戏，主角 让你的游戏像 DMC 一样。 该资产适用于主角和枪与剑的精彩...
多路数据选择器的设计与实现-四川大学计算机组成原理高分实验报告.doc
08-18
设计完成后，对这个1位2选1多路选择器进行封装，生成符号文件供后续设计使用。 为了验证设计的正确性，实验还包括了综合和仿真阶段。综合是将Verilog代码转换为硬件描述的过程，而仿真则是通过模拟输入和预期输出来...
低多边形剑模型sword
05-08
低多边形剑模型 这是为3D艺术家和游戏开发者提供的剑模型。 下载并尽情享受！安装说明： 1.下载sword 2.解压缩sword 3.选择您在计算机中要提取的位置。 4.首先下载Blender（2.93或更高版本）。 5.接下来，您...
Sword and Magic, SDL tile map editor:http://www.jingluntianxia.com-开源
04-29
对于开发者而言，理解这个文件的作用并合理利用，将有助于更好地使用"Sword and Magic"。例如，如果"me"是配置文件，那么它可以存储用户的个性化设置，如默认地图大小、常用瓷砖集等；如果是可执行文件，则可以直接...
VoTT 2.0.0图像目标标注工具.zip
09-02
软件介绍: VoTT是微软发布的一款基于javascript开发用于图像目标检测的标注工具，支持Windows和Linux平台运行，并且支持从图片和视频读取。软件还提供了基于CNTK训练的faster-rcnn模型进行自动标注然后人工矫正的方式，能大幅减轻标注所需的工作量。本资源是vott-2.0.0-preview.3-win32.exe，双击即可安装使用。
darknet_AlexeyAB:测mAP；训练
05-16
darknet_AlexeyAB详述 克隆代码：git clone https://github.com/GuoJaw/darknet_AlexeyAB Introduce： 主要用于训练自己的数据集 测mAP 测试视频 [1- 测试video] ./darknet detector demo kitti/TestFile/kitti.data kitti/TestFile/yolov3_kitti.cfg kitti/TestFile/yolov3_kitti_final.weights -c 0 -thresh 0.3 test.avi 训练自己的数据集（以KITTI数据集为例） 【一】 制作KITTI格式数据集，将目录放在~/data/目录下，目录结构，见下： KITTIdevkit KITTI Annotations #标注的XML文件 ImageSet
dataset1_44.1K.rar
02-20
该数据于2017年夏季在美国亚利桑那州农村地区收集，利用录制设备(iphone7)在20个不同位置分别录制了18种枪支(Colt1911，M16，MP40等)的音频信息，每个文件的录制时间均为10秒，采样频率为44.1KHz。整个数据集包含10000个单独的枪声音频文件。
mAP
ytusdc的博客
01-15 724
注意：看完此篇文章，再看另一篇文章： https://blog.csdn.net/ytusdc/article/details/88095160 mAP：即mean Averge Precision，作为object detection中衡量检测精度的指标。 在目标检测中，每一类都可以根据recall和precision绘制P-R曲线（以precision和recall作为纵、...
（终章）[图像识别]13.OpenCV案例 自定义训练集分类器物体检测
雾狼的游戏屋
10-05 3975
正样本集为包含“识别物体”的灰度图，一般大于等于2000张，尺寸不能太大，尺寸太大会导致训练时间过长。负样本集为不含“识别物体”的任何图片，一般大于等于5000张，尺寸比正样本集稍大。一般为正样品集的3倍。在当前文件夹下新建五个文件夹，pos和neg放处理后的图片，ini_pos和ini_neg放原来的图像，xml放以后自定义生成的分类器将下载的正负样本集分别放入ini_pos和ini_neg文件夹。我百度图片上下载了船的图片到ini_pos,鱼的图片到ini_neg。
【Web大数据挖掘】推荐系统设计 - 预测评分
八戒的博客
11-04 556
项目描述 Predict the rating scores of the pairs (u, i) in the Test.txt file Dataset: (1) Train.txt, which is used for training your models. (2) Test.txt, which is used for test. (3) ItemAttribute.txt, which is used for training your models (optional).
YOLO计算验证集Acc
bianjingshan的博客
12-07 6648
首先解释两个名词： 验证集：标记好的数据，在训练过程中不参与训练，验证算法通过对比预测目标和标记目标判断预测的正确率，用于评价模型对未知样本的预测能力。Acc：Accuracy，正确率。计算过程：统计预测正确的预测错误的目标数量，Acc=正确数量/（正确数量+错误数量）。错误包括误检和漏检，误检包括类别误检和位置误检。 YOLO在训练过程中不自动计算验证集Acc，训练结束后可通
训练集、验证集、测试集以及交验验证的理解
热门推荐
kieven2008的专栏
08-11 20万+
在人工智能机器学习中，很容易将“验证集”与“测试集”，“交叉验证”混淆。 一、三者的区别 训练集（train set） —— 用于模型拟合的数据样本。 验证集（development set）—— 是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。 在神经网络中， 我们用验证数据集去寻找最优的网络深度（nu...
代码解释 #!/bin/bash echo "打包文件" yarn build echo "传输文件" scp -r ./dist/** pig@139.224.200.249:/data/avue/sword echo "部署成功"
04-23
代码解释是对编写的程序代码进行详细解释的过程。通过代码解释，可以进一步理解代码的功能、实现方式、设计思路等，帮助开发人员更好地阅读、修改和维护代码。代码解释可以包括注释、文档、注解等不同形式。其中，注释是通过在代码中添加特定的符号或关键词，对代码进行简短的文字描述，起到提示功能；文档则是更为详细的描述，通常包括程序设计的总体思路、功能实现的细节、输入输出的格式等详细信息；注解则是对代码中特定的语句或函数进行解释，目的是更好地理解其用途和实现方式。
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