【目标检测】YOLOX训练王者荣耀数据集
前言
最近想跑一下旷世开源的YOLOX,本想着属于YOLO系列,代码大致都和YOLOv5差不多,没想到代码整体差异还是挺大的,跑通的过程中踩了不少坑,这篇就来记录一下整个流程。
官方源码:https://github.com/Megvii-BaseDetection/YOLOX
项目整体框架
项目框架和YOLOv6比较相似,训练、测试、检测三个核心函数都封装在tools文件夹中。
另外项目里有个dataset文件夹用来专门存放数据集,对于源码不熟悉建议先把数据集放在这个文件夹下。
数据预处理
官方的tutorials包含了CoCo和VOC两个经典数据集的训练方式,本篇主要采用的是VOC数据集的训练方式。
首先,需要将自己的数据集按照VOC的格式进行放置,注意文件名不要变化。
之后,在Main文件夹下新建下面两个txt文件。
运行下面的脚本[2],按照9:1的比例划分训练验证集和测试集。
import os
import randomtrainval_percent = 0.1
train_percent = 0.9
xmlfilepath = r'C:\Users\xy\Desktop\Work\YOLOX\datasets\VOC\VOCdevkit\VOC2007\Annotations'
txtsavepath = r'C:\Users\xy\Desktop\Work\YOLOX\datasets\VOC\VOCdevkit\VOC2007\ImageSets'
total_xml = os.listdir(xmlfilepath)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)ftest = open(r'C:\Users\xy\Desktop\Work\YOLOX\datasets\VOC\VOCdevkit\VOC2007\ImageSets\Main\test.txt', 'w')
ftrain = open(r'C:\Users\xy\Desktop\Work\YOLOX\datasets\VOC\VOCdevkit\VOC2007\ImageSets\Main\trainval.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftest.write(name)else:ftrain.write(name)
ftrain.close()
ftest.close()
修改配置文件
首先修改yolox/data/dataloading.py
文件:
再修改exps/example/yolox_voc/yolox_voc_s.py
文件:
修改数据集类别个数:
修改训练验证集路径:
修改测试集路径:
然后,修改yolox/data/datasets/voc_classes.py
:
这里修改成自己数据集的类别:
接着,修改yolox/evaluators/voc_eval.py
:
该文件用于读取xml标签信息
然后,修改yolox\exp\yolox_base.py
这里包含了很多训练的超参数(很奇怪开发者为什么不按照惯例把它写在train.py中)
其中,我主要修改这几个量:
- self.max_epoch = 300:指定训练epoch
- self.print_interval = 10:每经过10个batch打印一次
- self.eval_interval = 1:每训练一次进行验证
- self.data_num_workers = 0 :只使用主线程
最后,修改主程序tools/train.py
主要修改这三个量:
下面也可以修改"-c", "--ckpt"
来指定官方提供的预训练模型,不指定则从0开始训练。
运行train.py
就可以成功开始训练了。
如果还遇到一些报错,可以尝试在文件根目录下运行python setup.py install
来更新一些依赖。
检测
训练完之后,保存的模型会存放在tools/YOLOX_outputs/yolox_voc_s/best_ckpt.pth
注意检测前还需要修改类别标签,YOLOX和YOLOv6一样,类别标签并不保存在模型之中,而是在检测时再进行映射,猜测这么做可能是可以减小模型体积,加快推理速度。
在yolox/data/datasets/__init__.py
中添加from .voc_classes import VOC_CLASSES
然后在demo.py
中,将所有COCO_CLASSES
替换成VOC_CLASSES
检测图片
python tools/demo.py --save_result -f exps/example/yolox_voc/yolox_voc_s.py -c tools/YOLOX_outputs/yolox_voc_s/best_ckpt.pth --device gpu --tsize 640 --path assets/dog.jpg
检测视频
python tools/demo.py --save_result -f exps/example/yolox_voc/yolox_voc_s.py -c tools/YOLOX_outputs/yolox_voc_s/best_ckpt.pth --device gpu --tsize 640 --demo video --path C:\Users\xy\Desktop\sucai\wangzhe\zhuge.mp4
拓展:添加帧率显示
对于视频,如果需要显示帧率,可以进行如下操作:
在visual
函数中添加:
def visual(self, output, img_info, cls_conf=0.35):ratio = img_info["ratio"]img = img_info["raw_img"]if output is None:return imgoutput = output.cpu()bboxes = output[:, 0:4]# preprocessing: resizebboxes /= ratiocls = output[:, 6]scores = output[:, 4] * output[:, 5]vis_res = vis(img, bboxes, scores, cls, cls_conf, self.cls_names)# 添加帧率检测cv2.putText(img, "FPS:{:.1f}".format(1. / (time.time() - self.tt)), (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 2,(225, 221, 156), 4)self.tt = time.time()return vis_res
在Predictor
中添加self.tt = time.time()
class Predictor(object):def __init__(self,model,exp,cls_names=VOC_CLASSES,trt_file=None,decoder=None,device="cpu",fp16=False,legacy=False,):self.model = modelself.cls_names = cls_namesself.decoder = decoderself.num_classes = exp.num_classesself.confthre = exp.test_confself.nmsthre = exp.nmsthreself.test_size = exp.test_sizeself.device = deviceself.fp16 = fp16self.preproc = ValTransform(legacy=legacy)self.tt = time.time()
结果展示
我使用网络上搜集到的王者荣耀数据集进行训练,再检测自己的一局对局视频,和YOLOv5/YOLOv7/YOLOR进行对比,效果如下
YOLOv5/YOLOv7/YOLOX/YOLOR对比测试
B站Link:https://www.bilibili.com/video/BV1zU4y1C7Kn
数据集从网络搜集:https://aistudio.baidu.com/aistudio/datasetdetail/165546
总结
从各算法的对比检测效果来看,YOLOX的帧率是最快的,但是这里面也需要考虑到YOLOX未渲染中文带来的影响。不过,从视觉上看,YOLOX的检测精度不如其它算法,这也可能是数据集较少导致的。
YOLOX的学习成本比YOLOv5要高,里面需要修改的参数太多,可能是企业更多考虑了技术的版权问题或是单纯地在秀技,总之,写成这样,对于初学者真不友好。
References
[1]https://zhuanlan.zhihu.com/p/460677014
[2]https://blog.csdn.net/weixin_44123583/article/details/124194355
【目标检测】YOLOX训练王者荣耀数据集相关推荐
- 深度学习实战(七)——目标检测API训练自己的数据集(R-FCN数据集制作+训练+测试)
TensorFlow提供的网络结构的预训练权重:https://cloud.tencent.com/developer/article/1006123 将voc数据集转换成.tfrecord格式供te ...
- 目标检测--RFBNet训练自己制作数据集出现loss=nan问题的解决方法
之前用RFBNet进行目标检测,采用的数据集是VOC2007和VOC2012.最近用在自己的数据集进行训练,由于我的数据集格式跟VOC格式不一样,根据网上的经验,我就开始将自己的数据集制作成VOC格式 ...
- paddledet 训练旋转目标检测 ppyoloe-r 训练自己的数据集
1.数据转换 labelme2coco,原来是labelme标注的points 通过opencv转为4个坐标 # encoding=utf-8 import argparse import colle ...
- YOLO目标检测,训练自己的数据集(识别海参)
向AI转型的程序员都关注了这个号
- [数据集][VOC][目标检测]河道垃圾水面漂浮物数据集目标检测可用yolo训练-1304张介绍
数据集格式:Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件,仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数):1304 标注数量(xml文件个数):130 ...
- YOLOV3目标检测模型训练实例
YOLOV3目标检测 从零开始学习使用keras-yolov3进行图片的目标检测,比较详细地记录了准备以及训练过程,提供一个信号灯的目标检测模型训练实例,并提供相关代码与训练集. DEMO测试 YOL ...
- 基于mmdetection 旋转目标检测(OBB detection)+DOTA数据集自定义数据集+配docker
这两周得益于组里的任务需求,肝了一个遥感类的飞机旋转框目标检测,在给定的4096*4096的大尺度分辨率图片上去识别检测飞机. 经过模型检测后输出结果图如下图所示: 可以看到最终的结果还是不错的,通过 ...
- 目标检测任务中常用的数据集格式(voc、coco、yolo)
在目标检测任务中,常见的数据集格式有三种,分别为voc(xml).coco(json).yolo(txt). 一.Pascal VOC Pascal VOC数据集是目标检测的常用的大规模数据集之一,从 ...
- WIN10使用YOLOX训练自己的数据集(图解超详细)
文章目录 WIN10使用YOLOX训练自己的数据集(图解超详细) 下载YOLOX源码 配置环境,修改源码 添加权重文件 建立VOCdevkit文件夹 添加数据集 划分训练集和测试集 修改 类别 为自己 ...
最新文章
- python中常见的运行时错误_17个常见Python运行时错误
- windows 命令行创建用户
- Java中常见的集合框架
- php一对一模型关联,通过实例学习Laravel模型中的一对一关联关系
- linux-查找某目录下包含关键字内容的文件
- 精品软件 推荐 DiskGenius专业版 磁盘管理软件 4.7 注册版本分享
- 关于前几周项目进行的一些感受
- Adobe携手微软、世纪互联在中国推多种云服务
- 用大数据感知美德的力量
- 推荐:小众软件——各类软件的精品
- 40种让孩子爱上阅读的好方法!转给家长
- 容联云发送短信验证码
- 动态图 vs 静态图
- 计算机二级无忧软件mysql_无忧考吧全国计算机二级MS Office模拟软件
- 图片怎么修改成750x750像素?
- css html 对错号,HTML_DIV+CSS编码时易犯的错误,CSS+DIV是网站标准(或称“WEB - phpStudy...
- 【题解】慈溪中学-8.14-T1
- Windows下的Autorun程序
- 十个 C++ 运算符重载示例,看完不懂打我...
- [Python]profile优化实践(基于A*算法) 1