基于Paddle的计算机视觉入门教程——第12讲 实战：PaddleDeteciton实现目标检测_paddlepaddle做目标检测 csdn

B站教程地址

https://www.bilibili.com/video/BV18b4y1J7a6/

下载链接

链接：https://pan.baidu.com/s/1ydUkMBOUQtaIaNJrjbCjGQ
提取码：qxp9

数据集

数据集结构

在实际项目中最常用的是voc数据集格式，我们以voc数据集为例，进行介绍。

JPEGImages存放所有数据集图片，Annotations中存放所有标注文件。

如图片000001.jpg，它对应的标注就是000001.xml

这张图片对应的标注信息如下：

<annotation>
	<folder>VOC2007</folder>
	<filename>000001.jpg</filename>
	<source>
		<database>The VOC2007 Database</database>
		<annotation>PASCAL VOC2007</annotation>
		<image>flickr</image>
		<flickrid>341012865</flickrid>
	</source>
	<owner>
		<flickrid>Fried Camels</flickrid>
		<name>Jinky the Fruit Bat</name>
	</owner>
	<size>
		<width>353</width>
		<height>500</height>
		<depth>3</depth>
	</size>
	<segmented>0</segmented>
	<object>
		<name>dog</name>
		<pose>Left</pose>
		<truncated>1</truncated>
		<difficult>0</difficult>
		<bndbox>
			<xmin>48</xmin>
			<ymin>240</ymin>
			<xmax>195</xmax>
			<ymax>371</ymax>
		</bndbox>
	</object>
	<object>
		<name>person</name>
		<pose>Left</pose>
		<truncated>1</truncated>
		<difficult>0</difficult>
		<bndbox>
			<xmin>8</xmin>
			<ymin>12</ymin>
			<xmax>352</xmax>
			<ymax>498</ymax>
		</bndbox>
	</object>
</annotation>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

制作数据集

使用labelImg软件制作目标检测数据集。

键盘A和D代表上一张和下一张，W为标注工具，标注完成后CTRL+S保存，这样一张图片就标注完成了。所有的图片都需要进行标注，而且不能遗漏目标物体，这一过程是非常耗时耗力的。

PaddleDetection

把制作好的数据集放在dataset文件夹下，然后修改configs里面的标注文件，对应你想要修改的模型，特别需要注意修改dataset相关的参数，如果对模型不做特别修改，其他大多数参数都不需要改变。

模型训练

python tools/train.py -c configs/yolov3/yolov3_darknet53_270e_voc.yml --use_vdl=True --eval
1

断点训练

python tools/train.py -c configs/yolov3/yolov3_darknet53_270e_voc.yml -r output/yolov3_darknet53_270e_voc/100
1

模型评估

python tools/eval.py -c configs/yolov3/yolov3_darknet53_270e_voc.yml -o weights=output/yolov3_darknet53_270e_voc/best_model
1

模型导出

python tools/export_model.py -c configs/yolov3/yolov3_darknet53_270e_voc.yml --output_dir=./inference_model -o weights=output/yolov3_darknet53_270e_voc/best_model
1

模型预测

python deploy/python/infer.py --model_dir=./inference_model/yolov3_darknet53_270e_voc --image_file=./street.jpg --device=GPU --threshold=0.2
1

生成train.txt和eval.txt代码

import os
import random
 
def ReadFileDatas():
    FileNamelist = []
    file = open('train.txt','r+')
    for line in file:
        line=line.strip('\n') 
        FileNamelist.append(line)
    file.close()
    return FileNamelist
 
def WriteDatasToFile(listInfo,cls_num):
    train_file_handle=open('train.txt',mode='w')
    eval_file_handle=open('eval.txt',mode='w')
    i = 0
    for idx in range(len(listInfo)):
        i += 1
        str = listInfo[idx]
        str_Result = str  + '\n'
        if(i % (cls_num+1) == 0):
            eval_file_handle.write(str_Result)
        else:
            train_file_handle.write(str_Result)
    train_file_handle.close()
    eval_file_handle.close()


with open("train.txt", 'w') as f:
    res = os.listdir('./annotations')             			 #修改为自己的标注路径
    for j in res:
        j = j[:-4]
        f.write("./photos/"+str(j)+'.jpg ')					 #修改为自己的图片路径
        f.write("./annotations/"+str(j)+'.xml'+'\n')		 #修改为自己的标注路径
      
listFileInfo = ReadFileDatas()
random.shuffle(listFileInfo)
WriteDatasToFile(listFileInfo,6)   #训练集和测试集 6 : 1

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

注意修改最后的图片和标注文件路径！