Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集

ref:
#1 google colab及基本使用https://blog.csdn.net/nominior/article/details/105197850
#2 YOLOV3训练自己的数据集(PyTorch版本)https://www.pianshen.com/article/1287380494/
#3 DARKNET YOLOV3-TINY 训练自己的数据集步骤 https://www.freesion.com/article/4196394355/
#4 KeyError: 'module_list.85.Conv2d.weight' #657https://www.cnblogs.com/dgwblog/p/12225767.html
#5 深度学习中的遥感影像数据集https://blog.csdn.net/nominior/article/details/105247990



1 数据准备: a) 数据下载 下载代码:https://github.com/ultralytics/yolov3
下载权重文件:下载yolov3-tiny.pt权重文件,https://drive.google.com/drive/folders/1LezFG5g3BCW6iYaV89B2i64cqEUZD7e0
下载数据集:#2中有自己制作数据集的教程,本文使用的是#5中RSOD-Dataset的部分数据集

  • aircraft dataset:https://pan.baidu.com/s/1eRWFV5C
  • playground:https://pan.baidu.com/s/1nuD4KLb
b) 文件格式整理 解压代码:得到yolov3-master项目
Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集
文章图片


移动权重:将下载的yolov3-tiny.pt文件移动到weights文件夹下

数据集整理:
在data下
  • 新建Annotations、images、ImageSets、labels文件夹,
  • 新建文本文件DIY_yolo.data、DIY_yolo.names,使用记事本打开,分别写入如下内容(name中为自己的类别名)
classes=2 train=data/train.txt valid=data/test.txt names=data/DIY_yolo.names

aircraft playground

Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集
文章图片


修改cfg/yolov3-tiny.cfg配置
找到[yolo]下的classes,改为类别数;找到[yolo]上的filters,改为(类别数+5)*3
注意!有2处yolo,都需要修改(修改2个classes,2个filters)
Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集
文章图片
Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集
文章图片


解压数据集
  • 将各类数据子集中的图片(JPEGImages文件夹中)复制到data/images中;
  • 将各类数据子集中的xml标记(Annotation/xml文件夹中)复制到data/Annotations中;

c) 数据集预处理 在yolov3-master中,新建makeTxt.py文件,写入如下代码
import os import randomtrainval_percent = 0.1 train_percent = 0.9 xmlfilepath = 'data/Annotations' txtsavepath = 'data/ImageSets' total_xml = os.listdir(xmlfilepath)num = len(total_xml) list = range(num) tv = int(num * trainval_percent) tr = int(tv * train_percent) trainval = random.sample(list, tv) train = random.sample(trainval, tr)ftrainval = open('data/ImageSets/trainval.txt', 'w') ftest = open('data/ImageSets/test.txt', 'w') ftrain = open('data/ImageSets/train.txt', 'w') fval = open('data/ImageSets/val.txt', 'w')for i in list: name = total_xml[i][:-4] + '\n' if i in trainval: ftrainval.write(name) if i in train: ftest.write(name) else: fval.write(name) else: ftrain.write(name)ftrainval.close() ftrain.close() fval.close() ftest.close()

在yolov3-master中,新建voc_label.py文件,写入如下代码
import xml.etree.ElementTree as ET import os from os import getcwdsets = ['train', 'test', 'val']classes = ["aircraft","playground"]# 类别名def convert(size, box): dw = 1. / size[0] dh = 1. / size[1] x = (box[0] + box[1]) / 2.0 y = (box[2] + box[3]) / 2.0 w = box[1] - box[0] h = box[3] - box[2] x = x * dw w = w * dw y = y * dh h = h * dh return (x, y, w, h)def convert_annotation(image_id): in_file = open('data/Annotations/%s.xml' % (image_id)) out_file = open('data/labels/%s.txt' % (image_id), 'w') tree = ET.parse(in_file) root = tree.getroot() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text)for obj in root.iter('object'): difficult = obj.find('difficult').text cls = obj.find('name').text if cls not in classes or int(difficult) == 1: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) bb = convert((w, h), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')wd = getcwd() print(wd) for image_set in sets: if not os.path.exists('data/labels/'): os.makedirs('data/labels/') image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split() list_file = open('data/%s.txt' % (image_set), 'w') for image_id in image_ids: list_file.write('data/images/%s.jpg\n' % (image_id)) convert_annotation(image_id) list_file.close()

Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集
文章图片


2 数据上传及运行: *本地也可以运行,但可能显存不足,报cuda memory错误
a)上传数据 压缩yolov3-master文件夹
上传yolov3-master压缩包,到google drive中(时间较长)
上传完成后,打开google colab,新建notebook,使用GPU运行时,挂载google drive并切换到压缩包所在的路径(参考#1)

b)运行代码 环境准备:
根据个人路径,在colab notebook中依次运行如下代码,
import os path = r'/content/drive/My Drive' os.chdir(path)

!ls !nvidia-smi

!unzip yolov3-master.zip

path = r'/content/drive/My Drive/yolov3-master' os.chdir(path)

!ls

!pip install -r requirements.txt


Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集
文章图片


数据准备:
运行如下代码
#数据集划分,在data/ImageSets下生成txt !python makeTxt.py

#label生成,在data/labels生成可训练的txt标记,并在data下生成train、val、test.txt !python voc_label.py

Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集
文章图片


train: 运行代码
!python train.py --data data/DIY_yolo.data --cfg cfg/yolov3-tiny.cfg --weights weights/yolov3-tiny.pt --epochs 20

生成weigths/last.pt、weigths/best.pt,train_batch0.jpg,result.png,result.txt
Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集
文章图片

test: 运行代码
!python test.py --data data/DIY_yolo.data --cfg cfg/yolov3-tiny.cfg --weights weights/best.pt --save-json

生成test_batch0_gt.jpg,test_batch0_pred.jpg,results.json
Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集
文章图片


infer: 新建source_dir、output_dir,将需要推理的图像移入source_dir(本文随机选择1张aircraft、1张playground复制到source_dir)
运行代码
!python detect.py--cfg cfg/yolov3-tiny.cfg --names data/DIY_yolo.names --weights weights/best.pt --source source_dir --output output_dir

在output_dir生成同名预测结果
【Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集】Pytorch|使用google colab + yolov3_tiny(pytorch) 训练自己的目标检测数据集
文章图片

    推荐阅读