基于ResNet的关键点检测

zi_y_uan

已于 2023-06-20 09:18:39 修改

阅读量513

点赞数 1

文章标签：深度学习人工智能计算机视觉神经网络视觉检测图像处理迁移学习

于 2023-06-17 23:54:23 首次发布

本文链接：https://blog.csdn.net/zi_y_uan/article/details/131266195

版权

文章目录

项目简介

本项目实现对单一目标的关键点检测
主要用于检测矩形物体的四个角点，比如车牌、名片等
检测到四个角点的关键点后，可使用透视变换将图形矫正

环境构建

创建虚拟环境

conda create -n keypoint python=3.7
conda activate keypoint

安装cuda和cudnn

conda install cudatoolkit=10.2
conda install cudnn

安装pytorch

pip install torch==1.7.0
pip install torchvision==0.8.0

安装项目依赖的其他包

pip install -r requirements.txt

数据整理

标注

使用labelme对目标的四个角点做关键点标注，得到json格式的标注文件

数据集整理

按照如下格式存放数据，项目中存放了若干示例的图像和标签供参考

项目目录/data
└── car_plate  # 数据集名称
    ├── train
    |   ├── images  # 训练集图片
    |   └── labels  # 训练集标签，json格式标注文件
    └── val
        ├── images  # 验证集图片
        └── labels  # 验证集标签，json格式标注文件

模型训练

下载预训练权重

链接：pretrained weights

下载后，在项目目录下创建 pretrained目录，并放入预训练权重
启动训练

python train.py --batch-size 4 --epochs 500

出现如下日志，则训练正常

INFO: Namespace(batch_size=4, data_dir='./data/car_plate', epochs=500, heatmap_size=112, image_size=448, kpt_num=4, lr=0.001, model_save_dir='./model/', save_interval=50, sigma=3.0, weight_decay=0.0008)
Number of images in train: 2148
Number of images in val: 544
INFO: Using device cuda:0
INFO: Start training.
INFO: Epoch 1 start.
Train loss: 0.002156: 100%|███████████████████████████████████████████████████████████████████| 537/537 [00:04<00:00,  5.32it/s]
INFO: Epoch: 1 train done, Loss: 0.002156, Accuracy: 19.9811%.
Test loss: 0.002241: 100%|████████████████████████████████████████████████████████████████████| 136/136 [00:00<00:00,  8.16it/s]
INFO: Epoch: 1 valid done, Loss: 0.002241, Accuracy: 12.5000%.