使用YOLO的实现识别数据

以下是根据文档分析得出的使用YOLO建立和实现识别数据的步骤:

1. 环境搭建

  • 选择操作系统:使用CentOS 7.0系统,它是Linux发行版之一,具有稳定性高、免费等特点,适合本次项目。
  • 安装OpenCV工具 :OpenCV是一个跨平台计算机视觉库,通过sudo yum install opencv命令进行安装,它提供了图像处理和计算机视觉方面的很多通用算法以及相关API。
  • 安装CUDA开发环境
    • 首先确认计算机有Nvidia显卡,然后查看系统内核版本、确认编译器gcc已安装,并安装Kernel-headerkernel-devel,且版本需和内核版本一致。
    • 关闭开源的3D驱动Nouveau,创建/etc/modprobe.d/blacklist - nouveau.conf文件并写入相关内容,重新生成内核initramfs,重启计算机后进入命令提示符模式,使用root用户登录并进入多用户模式,然后执行./cuda_8.0.61_375.26_linux - run命令安装CUDA(本次实验使用runfile安装方式),安装过程中选择安装CUDA工具箱、CUDA例子等,最后将CUDA加入到环境变量中并重启计算机。
  • 项目目录结构及编译
    • 使用git clone https://github.com/pjreddie/darknet下载项目源代码,然后进入项目目录cd darknet并执行make命令进行编译。编译完成后,项目包含cfg配置文件存放目录、data数据存放目录、examplesC语言测试用例、includedarknet头文件、pythonPython测试用例、scripts训练中用到的辅助脚本、src项目源代码、darknet编译后产生的可执行文件以及一些模块配置和函数文件。

2. 训练数据采集与制作

  • 训练数据采集
    • 确定训练的目标种类,本次实验是水果识别,包括WaterMelon、StrawBerry、Orange、Pineapple、Apple共5种,每种收集约30 - 40张图片,总共171张,图片从百度图片下载,分辨率一般在400*300像素左右,按照5位数字从00000递增命名并放在一个文件夹中。
  • 训练数据制作
    • 下载并编译安装LabelImg软件,使用它给171张水果图片标记对象位置和名称,标记完成后每张图片会生成一个记录对象名称和位置的xml文件。
    • 按照VOC数据集的格式创建文件夹结构,包括VOCdevkitVOC2017Annotations(存放xml文件)、ImageSets(包含Main文件夹,其中train.txt保存全部图片位置信息)以及labels文件夹。
    • 使用项目自带的voc_label.py脚本将xml格式转换成YOLO所需的label文件,打开脚本修改数据集年份、要识别的对象种类名称以及xml文件存放位置等信息,运行脚本后会生成labels文件,其中每个文件内容第一项是水果编号,后面4项是标记对象在图片中的位置比例。

3. 训练配置

  • 创建cfg/myd.names文件,包含5种水果的名称,每行一个,顺序需与前面python脚本中配置的一致。
  • 创建cfg/myd.data文件,包含要识别的对象的种类个数(5)、train.txt文件位置、myd.names文件位置以及生成的训练权重文件位置。
  • 复制一份cfg/yolo.cfg文件,命名为yolo - myd.cfg,编辑这个文件,主要修改文件末尾region层中classes为5,同时修改region层上一层convolution层的filters值为50(根据公式(classes + coords + 1)* (NUM)计算,此次试验中具体数据为(5 + 4 + 1)*5 = 50)。

4. 训练过程

执行./darknet detector train./cfg/myd.data cfg/yolo - myd.cfg命令开始训练,训练过程中会打印训练进度信息,包括加载时间、区域平均交并比(Region Avg IOU)、类别准确率(Class)、目标置信度(bj)、无目标置信度(No 0bj)、平均召回率(Avg Recall)等,并且每5分钟生成一次训练数据文件到backup_myd/yolo - myd.backup,同时分阶段生成训练权重,如yolo - myd_100.weightsyolo - myd_200.weights等。

5. 测试训练效果

训练完成后,使用./darknet detector test cfg/myd.data cfg/yolo - myd.cfg backup_myd/yolo - myd_50000.weights testimg/apple.jpg命令检测训练结果,查看识别的准确性。

相关推荐
豆芽81915 分钟前
图解YOLO(You Only Look Once)目标检测(v1-v5)
人工智能·深度学习·学习·yolo·目标检测·计算机视觉
Eric.Lee20211 小时前
数据集-目标检测系列- F35 战斗机 检测数据集 F35 plane >> DataBall
人工智能·算法·yolo·目标检测·计算机视觉
白熊18817 小时前
【计算机视觉】CV实战项目 - 基于YOLOv5与DeepSORT的智能交通监控系统:原理、实战与优化
人工智能·yolo·计算机视觉
FPGA开源工坊20 小时前
FPGA上实现YOLOv5的一般过程
yolo·fpga开发
埃菲尔铁塔_CV算法2 天前
YOLO 模型的深度剖析及其在生物医药领域的创新应用
深度学习·神经网络·yolo·目标检测·计算机视觉
limengshi1383922 天前
使用Python将YOLO的XML标注文件转换为TXT文件格式
xml·python·yolo
unix2linux2 天前
YOLO v5 Series - FFmpeg & (HTML5 + FLV.js ) & ONNX YOLOv5s Integrating
yolo·ffmpeg·html5
宽容人厚载物2 天前
Jetson Orin NX 部署YOLOv12笔记
嵌入式硬件·yolo·jetson·yolov12·英伟达开发板
安步当歌3 天前
【目标检测】对YOLO系列发展的简单理解
图像处理·yolo·目标检测·计算机视觉
牙牙要健康3 天前
【深度学习】【目标检测】【Ultralytics-YOLO系列】YOLOV3核心文件yolo.py解读
深度学习·yolo·目标检测