Windows Yolact实例分割全流程

最新推荐文章于 2024-08-02 23:02:45 发布

贫僧这就还俗、

最新推荐文章于 2024-08-02 23:02:45 发布

阅读量949

点赞数 4

文章标签： windows python

本文链接：https://blog.csdn.net/weixin_57925958/article/details/121115293

版权

前言：

此博客包含源码的配置过程及训练自己模型的过程本人是在AnaConda 和PyThon进行，网上有很多关于AnaConda 和PyThon的安装方法，这里就不细讲，自己可以上网查阅其他方法。

环境配置过程：

第一步：下载源码

Yolact源码地址

第二步：配置环境

下载源码后，首先查看作者的README.md文件，查看作者的环境配置并在本地进行环境的配置。

首先创建一个新的虚拟环境（因为使用的torch不同，最好每一次跑别人代码时，新建环境）
本人实在AnaConda中进行操作

1、在终端输入 conda env list 查看已有环境防止环境重名

2、创建新的环境输入 conda create -n 环境名称 python=x.x (x.x 版本信息我的版本是3.7)

这里我只截取了部分信息，如果返回 Proceed ([y]/n)? 输入y进行创建。

创建完成后会显示

3、进入新建环境输入 activate 环境名称（如上图，红框部分，有的人不需要加 conda）

查看base是否变为自己新环境的名称如果改变则切换成功

4、安装源码所需依赖项（有两种方式，我使用的是第二种通过pip进行配置）

在新建的环境下输入（因为已经配置过一遍了，就不再进行安装了）：

pip install cython
pip install opencv-python pillow pycocotools matplotlib

下载torch(最低版本好像是1.0.1有点忘了):

torch官方下载根据自己电脑的配置进行torch版本的选型

将命令复制到终端进行下载（torch有点大可能会下载失败，多试几次）

完成后输入pip list 进行查看是否安装成功(我是在python进行查看 Anaconda输入同样命令也可以查看)

以上在本环境安装的所有东西（配置阶段）

第三步：下载源码所需的权重文件

下载完成后放入到源码中weights文件（没有就创建weights文件夹并放入）

第四步：测试图片打开README.md文件找到images

在终端输入命令进行测试(三种不同测试方式图片)

我的效果：

第五步：测试视频打开README.md文件找到Video

这里我就不放演示效果了

训练自己的模型：

第一步：安装labelme标注工具

labelme工具也需要新建一个环境，上面已经写过环境创建的详细过程了这里就不写了（环境创建过程中第二部前3小步这里我的python版本是3.6）

创建新环境后安装labelme所需的依赖项：

在终端输入 pip install pyqt5 进行安装

出现下面红框内容则安装成功

在输入 pip install labelme 进行labelme的安装

出现上面内容则安装成功。

安装完成后直接在终端输入labelme就可以打开了

出现页面则打开成功。

第二步：因为此源码是在COCO数据集的基础上进行训练，但是labelme保存的却是json文件格式，还需要将json文件转换为COCO格式

获取源码 json转coco ，获取源码后需要安装 sklearn 直接 pip install sklearn 进行安装(安装在新建的labelme环境下)

import os
import json
import numpy as np
import glob
import shutil
from sklearn.model_selection import train_test_split
np.random.seed(41)

#0为背景， 修改为自己的类别信息    多一个类别（背景）
classname_to_id = {"1": 1,"2":2}

class Lableme2CoCo:

    def __init__(self):
        self.images = []
        self.annotations = []
        self.categories = []
        self.img_id = 0
        self.ann_id = 0

    def save_coco_json(self, instance, save_path):
        json.dump(instance, open(save_path, 'w', encoding='utf-8'), ensure_ascii=False, indent=1)  # indent=2 更加美观显示

    # 由json文件构建COCO
    def to_coco(self, json_path_list):
        self._init_categories()
        for json_path in json_path_list:
            obj = self.read_jsonfile(json_path)
            self.images.append(self._image(obj, json_path))
            shapes = obj['shapes']
            for shape in shapes:
                annotation = self._annotation(shape)
                self.annotations.append(annotation)
                self.ann_id += 1
            self.img_id += 1
        instance = {}
        instance['info'] = 'spytensor created'
        instance['license'] = ['license']
        instance['images'] = self.images
        instance['annotations'] = self.annotations
        instance['categories'] = self.categories
        return instance

    # 构建类别
    def _init_categories(self):
        for k, v in classname_to_id.items():
            category = {}
            category['id'] = v
            category['name'] = k
            self.categories.append(category)

    # 构建COCO的image字段
    def _image(self, obj, path):
        image = {}
        from labelme import utils
        img_x = utils.img_b64_to_arr(obj['imageData'])
        h, w = img_x.shape
        image['height'] = h
        image['width'] = w
        image['id'] = self.img_id
        image['file_name'] = os.path.basename(path).replace(".json", ".jpg")
        return image

    # 构建COCO的annotation字段
    def _annotation(self, shape):
        label = shape['label']
        points = shape['points']
        annotation = {}
        annotation['id'] = self.ann_id
        annotation['image_id'] = self.img_id
        annotation['category_id'] = int(classname_to_id[label])
        annotation['segmentation'] = [np.asarray(points).flatten().tolist()]
        annotation['bbox'] = self._get_box(points)
        annotation['iscrowd'] = 0
        annotation['area'] = 1.0
        return annotation

    # 读取json文件，返回一个json对象
    def read_jsonfile(self, path):
        with open(path, "r", encoding='utf-8') as f:
            return json.load(f)

    # COCO的格式： [x1,y1,w,h] 对应COCO的bbox格式
    def _get_box(self, points):
        min_x = min_y = np.inf
        max_x = max_y = 0
        for x, y in points:
            min_x = min(min_x, x)
            min_y = min(min_y, y)
            max_x = max(max_x, x)
            max_y = max(max_y, y)
        return [min_x, min_y, max_x - min_x, max_y - min_y]


if __name__ == '__main__':

    # json文件的名称是自己定义的  图片文件夹名称本源码 是jpg   你可以自己做一下修改

    #路径就按我的方式来改，
    #之前路径 COCO/json/*.json  路径一直报错 COCO/json\\27.json
    #设置为/*.json  输出结果显示 \\27.json  咱也不知道为啥 
    #后来又试了一下又好了，就挺莫名其妙的 
    labelme_path = r"COCO\json\\*.json"   # 此处根据你的数据集地址来修改
    saved_coco_path = r"COCO\\"  #保存地址

    # 创建文件
    if not os.path.exists("%scoco/annotations/"%saved_coco_path):
        os.makedirs("%scoco/annotations/"%saved_coco_path)
    if not os.path.exists("%scoco/images/train2017/"%saved_coco_path):
        os.makedirs("%scoco/images/train2017"%saved_coco_path)
    if not os.path.exists("%scoco/images/val2017/"%saved_coco_path):
        os.makedirs("%scoco/images/val2017"%saved_coco_path)
    # 获取images目录下所有的joson文件列表
    json_list_path = glob.glob(labelme_path)
    print("json_list_path:",json_list_path)
    # 数据划分,这里没有区分val2017和tran2017目录，所有图片都放在images目录下
    train_path, val_path = train_test_split(json_list_path, test_size=0.12)
    # print("train_n:", len(train_path), 'val_n:', len(val_path))

    # 把训练集转化为COCO的json格式
    l2c_train = Lableme2CoCo()
    train_instance = l2c_train.to_coco(train_path)
    l2c_train.save_coco_json(train_instance, '%scoco/annotations/instances_train2017.json'%saved_coco_path)

    for file in train_path:
        # print("file_1:", file)
        # print("saved_coco_path_train:", saved_coco_path)
        shutil.copy(file.replace("json","jpg"),"%scoco/images/train2017/"%saved_coco_path)

    for file in val_path:
        # print("file_2:", file)
        # print("saved_coco_path_val:", saved_coco_path)
        shutil.copy(file.replace("json","jpg"),"%scoco/images/val2017/"%saved_coco_path)

    # 把验证集转化为COCO的json格式
    l2c_val = Lableme2CoCo()
    val_instance = l2c_val.to_coco(val_path)
    l2c_val.save_coco_json(val_instance, '%scoco/annotations/instances_val2017.json'%saved_coco_path)

运行结束后，会生成一个coco文件夹，里面包含图片和json文件，将保存的coco文件夹放入到Yolact源码中data文件夹下