YOLOトレーニングテストの可視化

ディレクトリ

STEP1生産データ収集
STEP2トレーニングモデル
STEP3テスト
STEP4視覚的なトレーニングログ
ます。https：ジョセフRedmon、前に書かれた環境の構造が記事を参照することができ、特定のによって提案されたフレームワークを学習ダークネットの深さはCとCUDAで書かれたオープンソースのニューラルネットワークのフレームワークです。 //blog.csdn.net/stjuliet/article/details/87731998
成功構築するための基本的な環境、あなたはトレーニングを使用して、独自のを作ることができYOLOモデルを所有してデータセット。

良好なデータセットのラベル使用のテキストで表示さからします。https：//blog.csdn.net/maweifei/article/details/81137563

STEP1生産データの収集

図1に示すように、
（1）https://blog.csdn.net/stjuliet/article/details/89339814に従って
調製されたデータセット1、（1）（2）は、2つのステップでデータの良い独自のセットを調製し、
その後、次のコードを使用TXT形式としてマークされたXMLファイル形式の変換：
インポートxml.etree.ElementTree aSにET
インポートピクルス
インポートOS
GETCWDインポートLISTDIR OSから、
インポートはos.path参加から

クラス= [「人」、「前」、「側面」、「バック」]＃ ここでは、あなたの名前は、すべてのカテゴリである
myRoot = r'E：\ここでTensorflow_Codes'＃は、プロジェクトのルートディレクトリである
XMLRootは= myRoot + R '\注釈'
txtRoot = R＆LT myroot + '\ラベル'
imageRoot = R＆LT myroot + '\ JPEGImages'

DEF getFile_name（FILE_DIR）：
L = []
os.walkのルートのために、DIRS、ファイル（FILE_DIR）：
プリント（ファイル）
のファイル内のファイルのための：
os.path.splitext（ファイル）であれば、[1] ==」.JPG 「：
L.append（os.path.splitext（ファイル）[0]）＃L.append（os.path.join（ルートファイル））
戻りL

：DEF（サイズボックス）に変換
DW = 1 /サイズ[0]
DH = 1 /サイズ[1]
X =（ボックス[0] +ボックス[1]）/ 2.0
、Y =（ボックス[2] +箱[3]）/ 2.0
W =ボックス[1] -ボックス[0]
H =ボックス[3] -ボックス[2]
X = X * DW
* DW W W =
Y = Y * DHの
H = H * DHの
リターン（ X、Y、W、H）

デフconvert_annotation（image_idは）：
in_file =オープン（XMLRootは+ '\％s.xml' ％（image_idは））

out_file = open(txtRoot + '\\%s.txt' % (image_id), 'w')  # 生成txt格式文件
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'):
    cls = obj.find('name').text
    if cls not in classes:
        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')

#image_ids_train =オープン（ 'D：/darknet-master/scripts/VOCdevkit/voc/list.txt'）。。。（読み取り）ストリップ（）スプリット（ ''、 ''）＃リスト格式只有000000 000001
image_ids_train = getFile_name （imageRoot）

image_ids_val =オープン（ '/ホーム/ ***** /ダークネット/スクリプト/ VOCdevkit / VOC /リスト'）。（読み）。ストリップ（）。スプリット（）

list_file_train =オープン（myRoot + R '\ ImageSets \メイン\ train.txt'、 'W'）
#list_file_val =オープン（ 'boat_val.txt'、 'W'）

用image_ids_trainでimage_idは：
list_file_train.write（imageRoot + '\％s.jpg \ n -で' ％（image_idは））
convert_annotation（image_idは）
list_file_train.close（）＃は自分の状況に応じて決定する、唯一のトレーニングセットを生成します

image_ids_valでimage_idはのために：

list_file_val.write（ '/ホーム/ ***** /ダークネット/ boat_detect /画像/％s.jpg \ n' は％（image_idは））

convert_annotation（image_idは）

list_file_val.close（）

（2）変換が成功した、ダークネットマスター\ビルド\ダークネット\ x64の\データ\ フォルダには、フォーマットTXTマークされ、元のトレーニングデータと画像データを格納するために使用するフォルダOBJ、作成
、2
ダークネットマスター\ビルドで\ダークネット\ x64の\データ\ train.txt新しいフォルダパス原トレーニング画像に格納されている（絶対および相対パスをすることができる）、ステップ1のコードの最後の部分はまた、train.txtに自動的に含まれコード（実行前に新しいtrain.txtファイルの下の最初のmyRoot \ imageSets \メイン\する必要があります）：

3、
ダークネットマスター\ビルド\ダークネット\ x64の新しいYOLO-obj.cfgファイルの下のフォルダを（直接yolov3.cfgコピーすることができ、その後、YOLO-obj.cfgの名前を変更）：
YOLO検索、三回、それぞれの合計が登場次のように変更YOLOブロック：
フィルタ=（。+クラス5）3 *は、そのカテゴリに応じて算出される。
クラスは、その数のセットに従って分類
メモリが少ない4Gに推薦を超える場合、ランダム1デフォルト0

4、
ダークネットマスター\ビルド\ダークネット\ x64の\データ\ 新しいobj.namesファイルフォルダ、独自のクラスのデータ・セットを記述します。

5、
ダークネットマスター\ビルド\ダークネットx64のデータ\ 新しいobj.dataファイルの下のフォルダには、カテゴリの数、トレーニングデータセットファイルのパス、ファイルのカテゴリラベル、\ \パス保存訓練モデルを記述します。

6、修正ダークネット・マスター・ディレクトリの下のMakefileファイル：

STEP2トレーニングモデル

。1、
勝利+ R＆LT開操作端末入力CMD、ダークネットマスター\ビルド\ダークネット\ x64のディレクトリに切り替え、トレーニングを開始するためのコマンドを入力：
TEEは、トレーニングLinuxシステムでログファイル（最初に出力するためのコマンドでありますダークネットマスター\ビルド\ダークネット\ x64の最初のフォルダの可視化）が、Windowsシステムでは、このコマンドを作成していない仕事、それは余分なコンフィギュレーションコマンドを参加させる必要がある：
リンクします。https：//pan.baidu.com/ S / 1R3bZCEqXGHNDNggs9m93Rw抽出コード：ef8t
アーカイブをダウンロードした後、解凍は、UnxUtilsをコピー\ CにUSR \ローカル\ WBIフォルダtee.exeファイル：\ WINDOWS \ System32には、することができます。

電車のデータ検出器darknet.exe / obj.dataヨロ-obj.cfg 2>＆1 |。TEE可視化/ train_yolov3.log
。1
2、
訓練開始後、損失曲線の変化を観察するために、最後に生成された重みがあるファイルダークネットマスター\ビルド\ダークネット\ x64の\バックアップディレクトリの下。

STEP3テスト

選択されたサンプルより少ない（30枚）、反復1000の数、約5の最終的な損失、非常に一般的な予測として。
----------------

STEP4視覚的なトレーニング日記

この文書による訓練プロセスにおける第三工程トレーニング出力ログファイルtrain_yolov3.logは、さらに、モデル解析のためにIOU曲線を損失曲線を描くことができます。

次のようにコードは次のとおりです。

Pd等の輸入パンダ
のPLTとして輸入matplotlib.pyplot
輸入OS

ここg_log_path =「train_yolov3.log」＃は、あなたのトレーニングのログファイル名を変更します

extract_log DEF（LOG_FILE、new_log_file、key_word）：
'' '
：PARAM LOG_FILE：ログファイル
：PARAM new_log_file：選択した情報の使用可能なログ・ファイルを
：PARAM key_word：キーワードに応じたログ情報を抽出し
、リターン：：
' ''
オープンで（LOG_FILE Fと、 "R"）
：オープン（new_log_file、 "W"）train_log ASとの
ラインのためのFで：
＃マルチGPU同期ログを削除
：行に"の同期が" IF
続行
＃のNaNログ除去
ラインにおけるIF "はNaNを" ：
続行
IFラインでkey_word：
train_log.write（ライン）
f.close（）
train_log.close（）

デフdrawAvgLoss（loss_log_path）：
'' '
：PARAM loss_log_path：提取到的損失日志信息文件
：リターン：画ロス曲线图
'''
するline_cnt = 0
のカウントのために、列挙（オープン（loss_log_path、 『のrU』））で行：
line_cntを+ = 1つの
結果= pd.read_csv（loss_log_path、のskipRows = [範囲で、ITER NUMため、ITER NUM（line_cntを）IF（（、ITER NUM <500））]、
error_bad_lines = Falseを、
名前=「損失」、「平均」、「速度」、 『秒』、 『画像』]）
結果[ 『平均』] =結果[ 『平均』]。str.split（」「）.str.get（1）
結果[ 『平均』] = pd.to_numeric（結果[「平均」]）

fig = plt.figure(1, figsize=(6, 4))
ax = fig.add_subplot(1, 1, 1)
ax.plot(result["avg"].values, label="Avg Loss", color="#ff7043")
ax.legend(loc="best")
ax.set_title("Avg Loss Curve")
ax.set_xlabel("Batches")
ax.set_ylabel("Avg Loss")

デフdrawIOU（iou_log_path）：
'' '
：のparam iou_log_path：提取到的IOU日志信息文件
：リターン：画IOU曲线图
'''
するline_cnt = 0
のカウント、ライン列挙中のため（オープン（iou_log_path、 『のrU』））：
line_cntを+ = 1
結果= pd.read_csv（iou_log_path、のskipRows = [xについてのxの範囲内（line_cntを）の場合（X％39 = 0 |！（X <5000））]、
error_bad_lines = Falseの、
名前= [「地域の平均IOU」、 『クラス』、 『のObj』、 『いいえのObj』、 『平均リコール』、 『カウント』]）
結果[ 『地域平均IOU』] =結果[ 『地域平均IOU』は] str.split（。」： 「）.str.get（1）

result["Region Avg IOU"] = pd.to_numeric(result["Region Avg IOU"])

result_iou = result["Region Avg IOU"].values
# 平滑iou曲线
for i in range(len(result_iou) - 1):
    iou = result_iou[i]
    iou_next = result_iou[i + 1]
    if abs(iou - iou_next) > 0.2:
        result_iou[i] = (iou + iou_next) / 2

fig = plt.figure(2, figsize=(6, 4))
ax = fig.add_subplot(1, 1, 1)
ax.plot(result_iou, label="Region Avg IOU", color="#ff7043")
ax.legend(loc="best")
ax.set_title("Avg IOU Curve")
ax.set_xlabel("Batches")
ax.set_ylabel("Avg IOU")

もし名前 ==「メイン」：
loss_log_path =「train_log_loss.txt」
iou_log_path =「train_log_iou.txt」
：os.path.exists（g_log_path）がFalseの場合
、出口（-1）
os.path.exists（loss_log_path）がFalseの場合：
extract_log（g_log_path、loss_log_path、「画像」）
os.path.exists（iou_log_path）が偽である場合：
extract_log（g_log_path、iou_log_path、「IOU」）
drawAvgLoss（loss_log_path）
drawIOU（iou_log_path）
plt.show（）
---- ------------

研修モデル訓練されたログのグラフとIOU損失グラフの時間によって描かれました：