YOLOv5-7.0-seg+YOLOv8-seg entrenamiento de conjuntos de datos personalizados

Enterprise 2023-07-29 05:05:22 views: null

YOLOv5 

Descargue el código fuente   https://github.com/ultralytics/yolov5.git
Enlace de referencia    yolov5-segmentación de instancias 1. Cómo usar yolov5 para lograr la segmentación de instancias y entrenar su propio conjunto de datos_哔哩哔哩_bilibili

  • Tabla de contenido:

- conjuntos de datos
    - JPEImages #Almacenamiento de imágenes y archivos json etiquetados y archivos txt convertidos
    - clases-4 #Almacenamiento de conjuntos de datos segmentados
        - imágenes
        - etiquetas
    labelme2seg.py
    split_dataset.py
    visual_coco128.py
- segment
    train.py
    predict .py

  • (2)-labelme2seg.py #Convertir archivos json en archivos txt que yolo pueda reconocer

        Modificar clases de categoría = ['ropa',...]
        imagen y ruta del archivo json base_path = 'JPEGImages' 

​
import os
import cv2
import json
import numpy as np

# classes = ['clothing','face_shield','boot']
# classes = ['clothing','face_shield','boot','clothing_f']
classes = ['boot_f','clothing','face_shield','clothing_f']
base_path = '22'
path_list = [i.split('.')[0] for i in os.listdir(base_path)]
for path in path_list:
    image = cv2.imread(f'{base_path}/{path}.jpg')
    h,w,c = image.shape
    try:
        with open(f'{base_path}/{path}.json') as f:
            masks = json.load(f)['shapes']
        with open(f'{base_path}/{path}.txt','w+') as f:
            for idx,mask_data in enumerate(masks):
                mask_label = mask_data['label']
                mask = np.array([np.array(i) for i in mask_data['points']],dtype=np.float)
                mask[:,0] /= w
                mask[:,1] /= h
                mask = mask.reshape((-1))
                if idx != 0:
                    f.write('\n')
                f.write(f'{classes.index(mask_label)} {" ".join(list(map(lambda x:f"{x:.6f}",mask)))}')
    except FileNotFoundError as f:
        print(f)

​

  • (3)-split_dataset.py #Dividir el conjunto de datos (requiere shutil.copy() para tratar de ser una ruta absoluta para evitar errores)

        Ruta del archivo de imagen y txt base_path = r'F:\wzy\AI\yolov5-master-23-1-6\datasets\JPEGImages'; guardar ruta dataset_path = r'F:\wzy\AI\yolov5-master-23- 1-6\conjuntos de datos\clases-4'

import os
import shutil
import random
import numpy as np

base_path = r'F:\wzy\AI\yolov5-master-23-1-6\datasets\22'
dataset_path = r'F:\wzy\AI\yolov5-master-23-1-6\datasets\classes-4-2'
val_size,test_size = 0.1,0.2

os.makedirs(dataset_path,exist_ok=True)
os.makedirs(f'{dataset_path}/images',exist_ok=True)
os.makedirs(f'{dataset_path}/images/train',exist_ok=True)
os.makedirs(f'{dataset_path}/images/val',exist_ok=True)
os.makedirs(f'{dataset_path}/images/test',exist_ok=True)
os.makedirs(f'{dataset_path}/labels/train',exist_ok=True)
os.makedirs(f'{dataset_path}/labels/val',exist_ok=True)
os.makedirs(f'{dataset_path}/labels/test',exist_ok=True)

path_list = np.array([i.split('.')[0] for i in os.listdir(base_path) if 'txt' in i])
random.shuffle(path_list)
train_id = path_list[:int(len(path_list) * (1 - val_size - test_size))]
val_id = path_list[int(len(path_list) * (1 - val_size - test_size)):int(len(path_list) * (1 - test_size))]
test_id = path_list[int(len(path_list) * (1 - test_size)):]
print(train_id,val_id,test_id)

for i in train_id:
    shutil.copy(f'{base_path}/{i}.jpg', f'./classes-4-2/images/train/{i}.jpg')
    shutil.copy(f'{base_path}/{i}.txt', f'./classes-4-2/labels/train/{i}.txt')
for i in val_id:
    shutil.copy(f'{base_path}/{i}.jpg', f'./classes-4-2/images/val/{i}.jpg')
    shutil.copy(f'{base_path}/{i}.txt', f'./classes-4-2/labels/val/{i}.txt')
for i in test_id:
    shutil.copy(f'{base_path}/{i}.jpg', f'./classes-4-2/images/test/{i}.jpg')
    shutil.copy(f'{base_path}/{i}.txt', f'./classes-4-2/labels/test/{i}.txt')

  • (4)-visual_coco128.py #Verificar si el conjunto de datos es correcto

        Ruta de la imagen img_base_path = 'classes-4/images/train'; txt ruta de categoría lab_base_path = 'classes-4/labels/train'

import os
import cv2
import numpy as np

img_base_path = 'classes-4-2/images/train'
lab_base_path = 'classes-4-2/labels/train'

label_path_list = [i.split('.')[0] for i in os.listdir(img_base_path)]
for path in label_path_list:
    image = cv2.imread(f'{img_base_path}/{path}.jpg')
    h,w,c = image.shape
    label = np.zeros((h,w),dtype=np.uint8)
    with open(f'{lab_base_path}/{path}.txt') as f:
        mask = np.array(list(map(lambda x:np.array(x.strip().split()),f.readlines())))
    for i in mask:
        i = np.array(i,dtype=np.float32)[1:].reshape((-1,2))
        i[:,0] *= w
        i[:,1] *= h
        label = cv2.fillPoly(label,[np.array(i,dtype=np.int32)],color=255)
    image = cv2.bitwise_and(image,image,mask=label)
    cv2.imshow('Pic',image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
  • (5)-config_me.yaml #Parámetros de entrenamiento: ruta/categoría (el orden es el mismo que las clases de labelme2seg.py)...
train: F:\wzy\AI\yolov5-master-23-1-6\datasets\classes-4-2\images\train  # train images (relative to 'path') 128 images
val: F:\wzy\AI\yolov5-master-23-1-6\datasets\classes-4-2\images\val  # val images (relative to 'path') 128 images
test:  # test images (optional)

names:
  0: boot_f
  1: clothing
  2: face_shield
  3: clothing_f

  • (6)-train.py #modelo de entrenamiento

        ejecutar'''python train.py --weights ../weights/yolov5s-seg.pt --cfg ../models/segment/yolov5s-seg.yaml --data ../data/config_me.yaml --epochs 100 --tamaño de lote 16 --dispositivo 0''

  • (7)-predict.py #llamar al modelo

        ejecute '''python predict.py --weights ../runs/train-seg/expm-e100-bs8-epochs-1/weights/best.pt --source ../datasets/images/test --data . ./data/config_me.yaml'''

YOLOv8

El procesamiento de datos se lleva a cabo en los pasos anteriores (1) ~ (5)

  • Descarga el paquete de instalación ultralytics y usa el comando yolo directamente en la terminal:

pip instalar ultralíticos

  • tren:

yolo task=modo de segmento=modelo de tren="pesos/yolov8n-seg.pt" data="data/config_me.yaml" epochs=100 lote=16 dispositivo=0

  • prueba:

yolo task=modo de segmento=modelo de predicción="carreras/segmento/tren4/pesos/mejor.pt" fuente="entrada"

python3.7 versión cuda11.1 torch1.8.0 paquete de instalación requisitos.txt

absl-py==1.3.0
antlr4-python3-runtime==4.9.3
attr==0.3.2
attrs @ file:///F:/su/Programs/conda/envs/cv/Tools/attrs-22.2. 0-py3-none-any.whl
backcall==0.2.0
cachetools==5.2.1
certifi @ file:///C:/b/abs_85o_6fm0se/croot/certifi_1671487778835/work/certifi
charset-normalizer==2.1.1
cloudpickle==2.2.0
colorama==0.4.6
ciclador==0.11.0
Cython==0.29.32
decorador==5.1.1
grupo de excepciones==1.1.0
fairscale==0.4.6
filelock==3.9.0
fonttools= =4.38.0
fvcore==0.1.5.post20221221
gitdb @ archivo:///F:/su/Programs/conda/envs/cv/Tools/gitdb-4.0.10-py3-none-any.whl
GitPython @ archivo:///F:/su/Programs/conda/envs/cv/Tools/GitPython-3.1.30-py3-none-any.whl
google-auth==2.15.0
google-auth-oauthlib== 0.4.6
grpcio==1.51.1
huggingface-hub==0.11.1
hydra-core==1.3.1
idna==3.4
importlib-metadata==6.0.0
importlib-resources==5.10.2
iniconfig==2.0. 0
iopath==0.1.10
ipython==7.34.0
jedi==0.18.2
kiwisolver==1.4.4
Markdown==3.4.1
MarkupSafe==2.1.1
matplotlib==3.5.3
matplotlib-inline==0.1. 6
numpy==1.21.6
oauthlib==3.2.2
omegaconf==2.3.0
opencv-python @ archivo:///D:/ana/envs/wzy/Lib/site-packages/opencv_python-4.5.5-cp37 -cp37m-win_amd64.whl
embalaje==22.0
pandas==1.3.5
parso==0.8.3
pickleshare==0.7.5
Almohada==9.4.0
pluggy==1.0.0
portalocker==2.6.0
prompt-toolkit==3.0.36
protobuf= =3.20.3
psutil==5.9.4
pyasn1==0.4.8
pyasn1-modules==0.2.8
pycocotools-windows @ file:///D:/ana/Tools/pycocotools/pycocotools_windows-2.0.0.1-cp37- cp37m-win_amd64.whl
Pygments==2.14.0
pyparsing==3.0.9
pytest==7.2.0
python-dateutil==2.8.2
pytz @ archivo:///F:/su/Programs/conda/envs/cv /Tools/pytz-2022.7-py2.py3-none-any.whl
pywin32==305
PyYAML==6.0
solicitudes==2.28.1
solicitudes-oauthlib==1.3.1
rsa==4.9
scipy==1.7.3
seaborn==0.12.2
six==1.16.0
smmap @ file:///F:/su/Programs/conda/envs/cv/Tools/smmap-5.0.0-py3-none- any.whl
tabulate==0.9.0
tensorboard==2.11.0
tensorboard-data-server==0.6.1
tensorboard-plugin-wit==1.8.1
termcolor==2.1.1
thop==0.1.1.post2209072238
timm ==0.6.12
tomli==2.0.1
antorcha @ archivo:///D:/ana/envs/wzy/Tools/torch-1.8.0%2Bcu111-cp37-cp37m-win_amd64.whl
torchvision @ archivo:// /D:/ana/envs/wzy/Tools/torchvision-0.9.0%2Bcu111-cp37-cp37m-win_amd64.whl
tqdm==4.64.1
traitlets==5.8.0
typing_extensions==4.4.0
ultralytics @ file:/ //F:/su/Programs/conda/envs/cv/Tools/ultralytics-8.0.5-py3-none-any.whl
urllib3==1.26.13
wcwidth==0.2.5
herramienta==2.2.2
wincertstore==0.2
yacs==0.1.8
zipp==3.11.0

Supongo que te gusta

Origin blog.csdn.net/m0_64118152/article/details/128705341
Recomendado
Clasificación
Diario
Más
2024-06-03(1)
2024-06-02(0)
2024-06-01(2)
2024-05-31(0)
2024-05-30(0)
2024-05-29(1)
2024-05-28(0)
2024-05-27(1)
2024-05-26(1)
2024-05-25(0)

Code World

© 2018 codetd.com