YOLO FastestV2目標檢測網路使用

環境：opencv_python==4.2.0.34 pytorch==1.9.0

YOLO Fastest系列是輕量級目標檢測網路，目前yolo系列最輕最快，適合全平臺通用，也可以搭載在嵌入式端做到實時識別 效果

1、準備作業

下載原始碼：GitHub上YOLO FastestV2原始碼

使用前建議先看下REAMDE.md中的說明

配置環境：

pip install -r requirements.txt

測驗是否配置成功

python test.py --data data/coco.data --weights modelzoo/coco2017-0.241078ap-model.pth --img img/000139.jpg

運行成功后 ，會生成圖片test_result.png

2、資料集準備：

運行以下代碼，會在當前目錄新建train和val檔案夾，資料集分割成訓練集和驗證集，分別放入兩個檔案夾中，并建立train.txt和val.txt檔案

import os
import random
import shutil

image_Path=r'C:\Users\User\Desktop\marked\data'          #資料集路徑
val_num=20                                               #驗證集資料量
folder_txt_dir = ["train","val"]

def Creating_folder(folder_txt_dir):    
    '創建train和val檔案夾'
    for foler in folder_txt_dir:
        data_path =os.path.join(str(os.getcwd()),foler)
        folder = os.path.exists(data_path)
        if not folder:                 
            os.makedirs(data_path)
    print('創建train和val檔案夾成功')

def Split_datasets(paths):             
    '索引所有圖片'    
    images=[]
    train_num_list=[]
    val_num_list=[]
    for path,folder,imgs in os.walk(paths):
        for img in imgs:
            if img.endswith(".jpg"):
                images.append(os.path.join(path,img))
            
    '分割資料集'        
    alist = random.sample(range(0,len(images)),val_num)
    alist.sort(reverse=True)
    for n in alist:
        val_num_list.append(images[n])
        images.pop(n)
    train_num_list=images    
                       
    '移動圖片'
    train_path=os.path.join(str(os.getcwd()),'train')
    val_path=os.path.join(str(os.getcwd()),'val')        
    for train in train_num_list:
        fpath,fname=os.path.split(train)
        shutil.copy(train, os.path.join(train_path,fname))
    for val in val_num_list:
        fpath,fname=os.path.split(val)
        shutil.copy(val, os.path.join(val_path,fname))
        
    print('分割資料集成功')
        
def make_txt(folder_txt_dir):
    '創建train.txt和val.txt'
    for txt in folder_txt_dir:
        data_path =os.path.join(str(os.getcwd()),txt)
        image_list=os.listdir(txt)
        with open(file=txt+'.txt',mode='a+') as f:
            for name in image_list:
                if name.endswith(".jpg"):
                    item=os.path.join(data_path,name)  
                    f.write(item)
                    f.write("\n")
                    
    print('創建train.txt和val.txt成功')

if __name__ =='__main__':
    Creating_folder(folder_txt_dir)
    Split_datasets(image_Path)
    make_txt(folder_txt_dir)

然后新建class.txt，寫入物體類別（一行寫一個）

標注資料集：

在Make Sense上進行標志資料集，點擊Get Started，然后點擊Click here to select them，選擇分割好的train或者val檔案夾，選中里面所有圖片，然后點擊Object Detection，點擊Load labels from file，點擊Click here to select them，選擇剛才建立好的class.txt檔案

標注圖片時注意下對應標簽，標注結束點擊Actions，點擊Export Annotations下載標志檔案，將里面的圖片.txt檔案復制到train或者val檔案夾下，

然后將class.txt改為class.namse

按照REAMDE.md上的描述，我可以得到如下目錄結構

3、訓練配置

生成錨點：

python genanchors.py --traintxt ./train.txt

--traintxt是上一步中生成的train.txt路徑，運行后會生成anchors6.txt

配置訓練檔案：

在data檔案夾中可以看到coco.data，我們可以仿照這個檔案，新建mytrain.data，復制coco.data的內容到里面

[name]
model_name=coco           # model name

[train-configure]
epochs=300                # train epichs
steps=150,250             # Declining learning rate steps
batch_size=64             # batch size
subdivisions=1            # Same as the subdivisions of the darknet cfg file
learning_rate=0.001       # learning rate

[model-configure]
pre_weights=None          # The path to load the model, if it is none, then restart the training
classes=80                # Number of detection categories
width=352                 # The width of the model input image
height=352                # The height of the model input image
anchor_num=3              # anchor num
anchors=12.64,19.39, 37.88,51.48, 55.71,138.31, 126.91,78.23, 131.57,214.55, 279.92,258.87 #anchor bias

[data-configure]
train=/media/qiuqiu/D/coco/train2017.txt   # train dataset path .txt file
val=/media/qiuqiu/D/coco/val2017.txt       # val dataset path .txt file 
names=./data/coco.names                    # .names category label file

注意修改里面的anchors的值，為上一步anchors6.txt的內容，另外還有model_name和classes的值以及data-configure里面的路徑，其他根據自己的需求修改即可，

4、訓練模型

python train.py --data data/mytrain.data

--data為上一步建立的組態檔路徑

如果是CPU訓練，可能會爆記憶體，關掉一些后臺，重新運行即可，正常運行如下圖

運行結束后，可以在weights檔案下看到生成的.pth檔案，我們使用最大一步的檔案即可

5、模型評估

python evaluation.py --data data/mytrain.data --weights weights/mytrain-300-epoch-0.793847ap-model.pth

--weights這個直接指向weights檔案夾中最大一步的.pth檔案即可

6、使用模型進行檢測

也是使用test.py檔案

--data指向組態檔mytrain.data --weights指向weights檔案夾中最大一步的.pth檔案 --img指向想要檢測圖片路徑，運行后也是生成test_result.png，也可以根據自己需求進行修改test.py檔案