毕设之 yolo5 航空影像飞行器检测

0.前言

最近在做毕业设计，没错是本科的毕业设计，双非菜狗一只，又菜又爱玩，考研成绩快出了，复试的东西有点看不进去，就想着把毕设多做一点，于是最近加班有点凶，头发感觉有点稀疏。
我做的题目其实不是很多 RSer 愿意做的事情，coding。其实俺觉得 coding 是大多数工科专业避免不了的，与其之后受苦，不如现在早点苦。我的内容是航空遥感影像中的飞机识别，为啥选这个题目呢？

✈️从小喜欢飞机，眼睛不好，就只能靠这个来看看飞机了。✈️
❗在本科期间做过一个项目，做的是 “山东省的植被覆盖情况动态监测”，现在回想起来太简单了，一点没有创新，GEE 直接把你辗着跑。
❗也想过做夜光遥感，听过好多讲座，后来发现，夜光遥感的局限性太大了，虽然挺有意思。
❤️ 大三的时候经常听一些讲座，记得听了一个是遥感学报中的全球中尺度飞机的识别，觉得挺有意思，埋了颗种子。有一次，听星湖大讲堂的时候，听龚健雅院士讲关于人工智能的方面，就是 DL(Deep Learing) 的东西，觉得很有意思，还有幸得到了龚院士的签名，真是 Lucky dog 啊，考研初试之后，班主任问我们想做啥，自己说了3个方向。
1. 机器学习和深度学习方面的：就是我现在这个方向。
2. GEE 的遥感大数据的处理，不过我还是更喜欢本地 coding。不过最近看遥感学报在收这方面的稿子。不过还是不喜欢。
3. 夜光遥感的，但是考研的时候考的是数字图像处理，所以对图像更感兴趣，而且班主任也说夜光遥感的方面点都被挖完了于是。

所以呢，就选择了第一个题目，当时班主任还问我有数据集吗，我说有的，其实这种东西一堆，主要还是怎么做识别。想着自己在 mac 上配了 tensorflow 的 GPU 版本，就想学学看，于是前段时间一直在做 python 的学习，偶然间看到了 yolo(You Only Look Once) ,于是就想试试看。于是在我哥的旧电脑上开始了 Linux 实体机的安装，环境配置，虽然有点痛苦但是还是坚持下来了，现在互联网那么发达，只要有手有眼睛，都是能成功的，废话有点多，先看看现在做到哪里了吧。

DOTA 数据检测

RSOD-Dataset 数据检测

1.环境配置与数据准备

环境配置

Linux 的基本环境在我之前的博客已经写的很清楚了，就不多余赘述咯，唯一需要注意的是，在 Linux 系统中，如果使用终端的话，需要进入 pytorch 的虚拟环境，才能运行后面所说的 yolo，而在编辑器中，只要选好 interpreter 为 pytorch 的虚拟环境就可以了，如下面所示咯。

记得切换当前目录，用 Linux 连当前目录和绝对路径相对路径知识都不会，之前回家放羊吧。

然后去 yolo 的上下载 yolo 的压缩包。
English:https://github.com/ultralytics/yolov5
Chinese:https://github.com/wudashuo/yolov5

下载好之后，一开始是没有 coco 这个数据文件的，需要自己下载，也可以自己做，Chinese 已经讲的非常清楚怎么去组织文件了，好好看看吧。

目录的组织形式

下载 yolo5-master 如果要训练自己的数据的话，就得自己按照样式去创建 coco 的文件，train 和 val 下面放 images 和 labels ，这个在网上一找就是一堆。

数据准备

数据用的是 DOTA 航空影像，下面这篇文章的博主已经把数据做好了，我用的现成的。白嫖快乐！哈哈哈哈！
https://zhuanlan.zhihu.com/p/172283684
然后第二次又用了 RSOD-Dataset 的数据检测看了看，直观效果还行，就是训练的时候 loss 变 0 了，过拟合抬走我了。
数据呢，可以看一看这篇文章 https://blog.csdn.net/hongxingabc/article/details/78833485

航空遥感影像存在一些问题：

尺度不一，主要由于视角不一造成的，导致识别目标的时候大小不一。
成像的条件不一，有时候会有云、光照的影响。
独特的场景，其实我训练完之后去检测了吉林一号的一个视频，航空影像中的场景很难与普通的场景区分开，当然和我训练样本少有关，但是确实区分开也是一个难题。

2.让代码跑起来

像网上说的，没有数学基础的也能做 DL，不过那只是调 API 而已，想要系统的学习，当作饭吃，必须要扎实的数学基础，但是本科毕业论文比较急，能把这个环境和代码跑通都不容易里，还想去了解这么多东西。除非是一开始就专门在做这个方面的事情，我之前没这个实力和时间做这些事情，好不容易考完研想练一练。

读代码， readme.md , yolo5 也一样，里面教你怎么训练怎么检测了，度娘和 CSDN 再强也不会比作者强啊。面向 CSDN 编程简直就是毁灭 coding。

刚下下来的时候，需要

pip install requirements.txt

检测一下是否还缺少 packages，如果缺少的话自动补全，然后就可以切换到 yolo 目录下，使用 python detect.py 检测目标了。

检测完是这两张图，当然你也可以自己放一些目标在 images 里，然后结果会到 run 里面去，在一个一个 exp 里面。

把代码跑通是一个大飞跃的话，有点信心才会继续搞。后面就是我实验了2天之后的训练了。

3.环境配置与数据准备

训练呢，就是一个你会就很简单，不会就跟天坑一样难的事情。网上的博客读了好久，后来自己通是啥意思了，就觉得很简单了。
首先要按照上面所说的组织好目录形式，然后把 images 和 labels 放好，然后我们需要把所有的 jpg 的文件名放入， train.txt 和 val.txt 里面。就是下面这样的东西

你可以在 python 中用 os.path.exisits 检测一下存不存在路径。你不检测也没事儿，反正到时候会有报错的。这个 txt 怎么写呢。我自己写的脚本，网上很多方法，自己试试也行。我贴自己写的脚本，随便看看，愿意用就用吧。。

# author: neverland
# 生活不过是 shit
import ostrain_path = '/home/neverland/桌面/yolo/coco/data/train/images/'
val_path = '/home/neverland/桌面/yolo/coco/data/val/images/'
path = os.listdir(train_path)           #记得这里也得改 train 或者 val
out_file = open('train.txt','w')    #记得这里也得改 train 或者 valfor i in range(len(path)):filenames = path.pop()true_path = os.path.join(train_path,filenames)  # trainpath 就写train ,val 的话就改成  val_pathout_file.write(true_path + '\n')

记得把 train path 和 val path 改成你的路经，你的 train 和 val images 的具体路径，最好用 pwd 之后的结果,

记得要改代码里面的内容，执行2次，会在你当前的目录生成 ‘train.txt’ 和 ‘val.txt’ ，有点费嘴舌。

然后修改一些内容就可以了。

三连改之第一改

三连改之第二改

三连改之第三改

然后，如果是一种种类的话，label 里面的 class 必须从 0 开始，由于知乎大佬给的飞机种类是2，我一直报 yolov5 assert mlc ＜ nc, ‘Label class %g exceeds nc=%g 的错，一开始有两种思路，一是修改 yolo 源代码，但是找了半天没找到相关代码。就把 2000多个 txt 里面的开头的 2 全部改成了0 ，代码就不贴了，20分钟就能解决的问题，一般来说，只要会 python 的 txt 读写就没问题。

所有的事情整理完毕，可以丢给他们去训练了，我的电脑垃圾，训练1800多张图像， 60 个 epochs 用了9 小时，中途还怕 GPU out of memory，风扇一直在我身边响，凌晨 4 点醒了就一直被风扇吵着，功夫不负有心人，早上7点多起床终于 OK 了。

看看三条曲线吧

检测指标，其实就是 mAP、P、R 等等。都是一些简单的计算而已～-～找找书籍或者相关内容就行。

4.写最后的话

从前的我是有开源精神的，觉得好东西就应该分享，直到之前的实习，BOSS 肮脏的嘴脸，让我不再相信别人了，我只相信，生活是 shit 。
当然毕设还得做定量分析，我还打算用别的网络看看，杨学大神的代码，对于航空影像检测最好，特别想试试，就是搭一搭 tf 的环境。今天刚看到文章。
毕设一定拿一个优秀，等到老师问，你有这能力为啥没能保研的时候，我要傲娇的反问回去：老师，这不是系里做的决定吗？Oh，辣鸡测绘！