用yolov3训练voc数据集

  • 运行环境
  • 安装
  • 第一步：添加文件及其文件夹
    • 1.添加annations和images两个文件夹
    • 2.生成train.txt、trainval.txt、val.txt和test.txt
    • 3. 添加label_list.txt文件 -------> 即标签文件
    • 4. 添加代码 create_list.py
  • 第二步：选配置文件
  • 第三步：模型训练
  • 第四步：模型评估
  • 第五步：模型预测

运行环境

  • paddlepaddle-gpu 2.2.0.post112

PaddlePaddle/PaddleDetection
release/2.2

安装

注意：安装用 conda

conda install paddlepaddle-gpu==2.2.2 cudatoolkit=11.2 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/ -c conda-forge

第一步：添加文件及其文件夹

在该路径下： PaddleDetection-release-2.2/dataset/voc/

1.添加annations和images两个文件夹

annations：存放xml的标签文件
images： 存放对应的图片文件

2.生成train.txt、trainval.txt、val.txt和test.txt

创建生成相关文件的代码 get_list.py

# -- coding: UTF-8 --
import os
import random


trainval_percent = 0.9
train_percent = 0.9
xml = "/app/yyq/slifeProject/paddle/PaddleDetection-release-2.2/dataset/voc/annotations"
save_path = "/app/yyq/slifeProject/paddle/PaddleDetection-release-2.2/dataset/voc/ImageSets/Main"

if not os.path.exists(save_path):
    os.makedirs(save_path)

total_xml = os.listdir(xml)

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)

print("train and val size", tv)
print("traub size", tr)
ftrainval = open(os.path.join(save_path, 'trainval.txt'), 'w')
ftest = open(os.path.join(save_path, 'test.txt'), 'w')
ftrain = open(os.path.join(save_path, 'train.txt'), 'w')
fval = open(os.path.join(save_path, 'val.txt'), 'w')

for i in list:
    name = total_xml[i][:-4]+'\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest .close()

得到结果如下图：

3. 添加label_list.txt文件 -------> 即标签文件

voc数据集是20个类别

4. 添加代码 create_list.py

# -- coding: UTF-8 --
import os
import os.path as osp
import re
import random

devkit_dir = './'
years = ['2007', '2012']


def get_dir(devkit_dir,  type):
    return osp.join(devkit_dir, type)


def walk_dir(devkit_dir):
    filelist_dir = get_dir(devkit_dir, 'ImageSets/Main')
    annotation_dir = get_dir(devkit_dir, 'annotations')
    img_dir = get_dir(devkit_dir, 'images')
    trainval_list = []
    test_list = []
    added = set()

    for _, _, files in os.walk(filelist_dir):
        for fname in files:
            img_ann_list = []
            if re.match('train\.txt', fname):
                img_ann_list = trainval_list
            elif re.match('val\.txt', fname):
                img_ann_list = test_list
            else:
                continue
            fpath = osp.join(filelist_dir, fname)
            for line in open(fpath):
                name_prefix = line.strip().split()[0]
                if name_prefix in added:
                    continue
                added.add(name_prefix)
                ann_path = osp.join(annotation_dir, name_prefix + '.xml')
                img_path = osp.join(img_dir, name_prefix + '.jpg')
                assert os.path.isfile(ann_path), 'file %s not found.' % ann_path
                assert os.path.isfile(img_path), 'file %s not found.' % img_path
                img_ann_list.append((img_path, ann_path))

    return trainval_list, test_list


def prepare_filelist(devkit_dir, output_dir):
    trainval_list = []
    test_list = []
    trainval, test = walk_dir(devkit_dir)
    trainval_list.extend(trainval)
    test_list.extend(test)
    random.shuffle(trainval_list)
    with open(osp.join(output_dir, 'trainval.txt'), 'w') as ftrainval:
        for item in trainval_list:
            ftrainval.write(item[0] + ' ' + item[1] + '\n')

    with open(osp.join(output_dir, 'test.txt'), 'w') as ftest:
        for item in test_list:
            ftest.write(item[0] + ' ' + item[1] + '\n')


if __name__ == '__main__':
    prepare_filelist(devkit_dir, '.')

运行create_list.py会生成test.txt和traintval.txt
以下是trainval.txt的文件截图

第二步：选配置文件

PaddleDetection-release-2.2/configs/yolov3/yolov3_mobilenet_v1_270e_voc.yml配置文件摘要

从上图看到yolov3_mobilenet_v1_270e_voc.yml配置需要依赖其他的配置文件。在该例子中需要依赖：

voc.yml

runtime.yml

optimizer_270e.yml

yolov3_mobilenet_v1.yml

yolov3_reader.yml

yolov3_mobilenet_v1_270e_voc 文件入口

voc 主要说明了训练数据和验证数据的路径

runtime.yml 主要说明了公共的运行参数，比如说是否使用GPU、每多少个epoch存储checkpoint等

optimizer_270e.yml 主要说明了学习率和优化器的配置。

yolov3_mobilenet_v1.yml 主要说明模型、和主干网络的情况。

yolov3_reader.yml 主要说明数据读取器配置，如batch size，并发加载子进程数等，同时包含读取后预处理操作，如resize、数据增强等等

yolov3_mobilenet_v1_270e_voc.yml1：主配置文件入口
voc.yml：定义训练数据的路径
runtime.yml：定义公共参数
optimizer_270e.yml：定义优化器的策略
yolov3_mobilenet_v1.yml：定义模型和主干网络
yolov3_reader.yml：定义数据预处理方式

第三步：模型训练

训练可视化

当打开use_vdl开关后，为了方便用户实时查看训练过程中状态，PaddleDetection集成了VisualDL可视化工具，当打开use_vdl开关后，记录的数据包括：

1.loss变化趋势
2.mAP变化趋势

python tools/train.py -c configs/yolov3/yolov3_mobilenet_v1_270e_voc.yml  --use_vdl=true --vdl_log_dir=vdl_dir/scalar

使用如下命令启动VisualDL查看日志

# 下述命令会在127.0.0.1上启动一个服务，支持通过前端web页面查看，可以通过--host这个参数指定实际ip地址
visualdl --logdir vdl_dir/scalar/

在浏览器输入提示的网址，效果如下：

第四步：模型评估

python tools/eval.py -c configs/yolov3/yolov3_mobilenet_v1_270e_voc.yml -o weights=output/yolov3_mobilenet_v1_270e_voc/model_final.pdparams

第五步：模型预测

python tools/infer.py -c configs/yolov3/yolov3_mobilenet_v1_270e_voc.yml --infer_img=demo/005767.jpg -o weights=output/yolov3_mobilenet_v1_270e_voc/model_final.pdparams

参考官网

30分钟快速上手PaddleDetection

注：更换主干网络的配置文件，暂时不用修改其他参数

# 训练
python tools/train.py -c configs/yolov3/yolov3_darknet53_270e_voc.yml  --use_vdl=true --vdl_log_dir=vdl_dir/scalar

# 评估
python tools/eval.py -c configs/yolov3/yolov3_darknet53_270e_voc.yml -o weights=output/yolov3_darknet53_270e_voc/model_final.pdparams

# 预测
python tools/infer.py -c configs/yolov3/yolov3_darknet53_270e_voc.yml --infer_img=demo/005767.jpg -o weights=output/yolov3_darknet53_270e_voc/model_final.pdparams

更多推荐

paddle篇---用yolov3训练voc数据集