yolo v2 之车牌检测

一、前言

本文主要使用yolo v2 训练自己的车牌图片数据，并能够框出测试图片中存在的车牌区域，也即车牌检测。本文参考了博文http://m.blog.csdn.net/qq_34484472/article/details/73135354和http://blog.csdn.net/zhuiqiuk/article/details/72722227

二、准备工作

首先需要下载正确配置好darknet，使用./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg 命令可得检测结果。本文主要是为了检测车牌区域，在darknet下新建一文件夹plate_imgae，其中存放train和val、pic三个文件夹，train文件夹下为1296张训练图片，val文件夹下为196张验证图片，pic为236张待检测的图片，图片格式均为jpg格式，训练模型主要用到train和val这两个文件夹。

三、制作标签文件

yolo v2使用VOC格式的数据集，故这里首先需要对训练集及验证集的图片进行标注，每张图片均可得到相应的xml文件，然后再将xml文件转化为txt标签文件。参考这里http://blog.csdn.net/jesse_mx/article/details/53606897 安装标注工具LabelImg，安装完成后，./labelImg.py打开标注工具，先对train文件夹内的图片作标注，在plate_image文件夹下新建train_xml文件夹，用于存放生成的xml文件。所生成的xml文件如下所示:

同样的方法，也在在plate_image文件夹下新建val_xml文件夹，保存验证集的xml标注文件。这样就有VOC格式标记的XML文件，接下来需要将xml文件转换为txt文件，使用python转换，将train_xml中的xml文件，转换为txt保存于文件夹train_txt下；同理，将val_xml中的xml文件转换后保存于val_txt文件夹下

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join  xml_label_Dir = 'train_xml'        #需转换的xml路径
txt_label_Dir = 'train_txt/'          #转换得的txt文件保存路径def convert(size, box):        #归一化操作dw = 1./size[0]  dh = 1./size[1]  x = (box[0] + box[1])/2.0  y = (box[2] + box[3])/2.0  w = box[1] - box[0]  h = box[3] - box[2]  x = x*dw  w = w*dw  y = y*dh  h = h*dh  return (x,y,w,h)  if not os.path.exists(txt_label_Dir):   os.makedirs(txt_label_Dir)
for rootDir,dirs,files in os.walk(xml_label_Dir):  for file in files:  file_name = file.split('.')[0]  out_file = open(txt_label_Dir+'%s.txt'%(file_name),'w')  in_file = open("%s/%s"%(rootDir,file))  tree = ET.parse(in_file)  root = tree.getroot()  size = root.find('size')  w = int(size.find('width').text)  h = int(size.find('height').text)  for obj in root.iter('object'):  xmlbox = obj.find('bndbox')  b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))  bb = convert((w,h), b)  out_file.write("0" + " " + " ".join([str(a) for a in bb]) + '\n')      #only one class,index 0out_file.close()

接着还需要获得训练集图片的绝对路径train_imgae_path.txt和验证集的绝对路径val_image_path.txt，同样使用以下python代码

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import joinTrainDir = '/home/jyang/darknet/plate_image/train'out_file = open('train_image_path.txt','w')
for root,dirs,files in os.walk(TrainDir):for file in files:out_file.write('%s/%s\n'%(root,file))
out_file.close()

YOLO是直接通过替换原图片绝对路径的后缀名来找到对应标记文件的。比如原图片的绝对路径为/home/ubuntu/data/train/1.jpg。则YOLO将会直接认为其对应的标记文件路径为/home/ubuntu/data/train/1.txt。所以，我们将之前生成的txt文件都放到相应的图片路径下，即将train_txt下txt文件放到train文件夹下，将val_txt下txt文件放到val文件夹下

看看plate_image下都有啥。

四、修改配置文件

(1)创建names文件

在YOLO主目录的data文件夹下，创建一个.names文件，文件名任意，我的是myClass.names，在该文件中写入所有类别的名称，每一类占一行，我只检测车牌，故只在第一行写licence.

(2)修改data文件

修改darknet主目录下的 cfg/voc.data文件，修改如下：

classes= 1                      #只有一个类别
train  = /home/jyang/darknet/plate_image/train_image_path.txt        #训练集的绝对路径
valid  = /home/jyang/darknet/plate_image/val_image_path.txt           #验证集的绝对路径
names = data/myClass.names
backup = /home/jyang/darknet/plate_image/backup                     #训练得的模型保存路径

(3)修改cfg文件

修改darknet主目录下的cfg/yolo-voc.cfg。

1.[region]层中classes改为1

2.[region]层上方的[convolution]层中，filters的数量改成（classes+coords+1）*NUM。我这里改成了(1+4+1)*5=30.

五、修改src/yolo.c文件

1.第13行改成 char *voc_names[] = {"licence"}; //如果你是一类的话，就改成这样，如果你有多类，自己根据需求改。

2.第322行draw_detections函数中，最后一个参数由20改成你的类别数，我这里是1

3.第354行demo函数中，倒数第三个参数由20改成你的类别数，我这里是1

4.第17行改成 char *train_images = "<你的路径>/train_imgae_path";

5.第18行改成 char *backup_directory = "你的路径/backup/";

6.第121行改成 char *base = "results/comp4_det_test_"

7.第123行改成 list *plist = get_paths("<你的路径>/val_image_path.txt");

8.第209行改成 char *base = "results/comp4_det_test_"

9.第210行改成 list *plist = get_paths("<你的路径>/val_image_path.txt");

10.将src/yolo_kernels.cu文件中，第62行draw_detections函数最后一个参数由20改成你的类别数，我这里是1.

11.scripts/voc_label.py 文件中，位置第9行改成：classes=[“licence”]，因为我只有一类

12.将src/detector.c文件中，第372行改成 list *plist = get_paths("<你的路径>/val_image_path.txt");，第542行option_find_int函数的最后一个参数由20改成1.

六、重新编译darknet yolo

进入darknet主目录，make clean后 make -j8

七、下载预训练文件cfg/darknet19_448.conv.23

为了加快训练速度，下载官方提供的预训练模型，保存至cfg下。下载地址为

http://pjreddie.com/media/files/darknet19_448.conv.23

八、训练

在darknet文件夹路径下运行命令：

./darknet detector train cfg/voc.data cfg/yolo-voc.cfg cfg/darknet19_448.conv.23
系统默认会迭代45000次batch，如果需要修改训练次数，进入cfg/yolo_voc.cfg修改max_batches的值。

九、训练过程输出log

参考自这篇文章http://blog.csdn.net/renhanchi/article/details/71077830?locationNum=13&fps=1，以下摘自这篇文章

Region Avg IOU：这个是预测出的bbox和实际标注的bbox的交集除以他们的并集。显然，这个数值越大，说明预测的结果越好

Avg Recall：这个表示平均召回率，意思是检测出物体的个数除以标注的所有物体个数。

count：标注的所有物体的个数。如果 count = 6， recall = 0.66667，就是表示一共有6个物体（可能包含不同类别，这个不管类别），然后我预测出来了4个，所以Recall 就是 4 除以 6 = 0.66667

有一行跟上面不一样的，最开始的是iteration次数，然后是train loss，然后是avg train loss，然后是学习率，然后是一batch的处理时间，然后是已经一共处理了多少张图片。重点关注 train loss 和avg train loss，这两个值应该是随着iteration增加而逐渐降低的。如果loss增大到几百那就是训练发散了，如果loss在一段时间不变，就需要降低learning rate或者改变batch来加强学习效果。当然也可能是训练已经充分。这个需要自己判断

十、评估训练得的模型

训练了3天，得到了迭代30000次的权值，在plate_image/backup/下生成了yolo-voc_30000.weights，当然还有其他迭代次数的权值，使用以下语句可以测试单张图片

./darknet detector test cfg/voc.data cfg/yolo-voc.cfg plate_image/backup/yolo-voc_30000.weights plate_image/pic/099999.jpg

显示的检测结果为

训练的时候只是用到了训练集，评估检测性能才会使用到验证集。使用以下指令评估

root@computer:/home/jyang/darknet# ./darknet detector recall cfg/voc.data cfg/yolo-voc.cfg plate_image/backup/yolo-voc_30000.weights

根据参考的第2篇博文，使用该指令的时候，会调用src/detector.c里的validate_detector_recall函数，将其中的阈值从0.001修改为0.25，防止过多框被识别出，将432行代码修改为如下：

fprintf(stderr, "Id:%5d Correct:%5d Total%5d\tRPs/Img: %.2f\tIOU: %.2f\tRecall:%.2f%%\tPrecision:%.2f%%\n", i, correct, total, (float)proposals/(i+1), avg_iou*100/total, 100.*correct/total ,100.*correct/proposals);

重新make之后，运行结果为：

可见196张图片，准确率有97%以上。

结语

本文只是使用了yolo v2 检测了车牌，后续对框下来的车牌图片作识别，请看《yolo v2之车牌检测后续识别字符（一）》

yolo v2 之车牌检测相关推荐

重温目标检测--YOLO v2 -- YOLO9000
YOLO9000:Better, Faster, Stronger CVPR 2017, Best Paper Honorable Mention https://pjreddie.com/darkn ...
深度学习目标检测之 YOLO v2
论文名:<YOLO9000: Better, Faster, Stronger> 原文:https://arxiv.org/pdf/1612.08242v1.pdf 代码:http://p ...
目标检测之YOLO V2 V3
YOLO V2 YOLO V2是在YOLO的基础上,融合了其他一些网络结构的特性(比如:Faster R-CNN的Anchor,GooLeNet的\(1\times1\)卷积核等),进行的升级.其目的 ...
目标检测：YOLO V1、YOLO V2、YOLO V3 算法
日萌社人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) yoloV3模型目标检测:YOLO V1.YOLO V2.Y ...
# 经典目标检测识别方法概述RCNN/FAST/FASTER RCNN/MASK RCNN/SSD/DSSD/YOLO V1/YOLO V2等
经典目标检测识别方法概述@陈子逸经典目标检测识别方法概述由于水硕期间自学了一些目标探测的方法,这里做一个概述,肯定有不完美的地方,还请指正一起进步. 综述 1.分别简单描述一下RCNN系列: 在我 ...
基于 YOLO 的车牌检测与识别
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达导读本文将重点介绍 ALPR 的端到端实现.它将侧重于两个过程: ...
YOLO v2实现图像目标检测
作者介绍熊文博,男,西安工程大学电子信息学院,2020级硕士研究生,张宏伟人工智能课题组. 研究方向:机器视觉与人工智能电子邮件:996270714@qq.com 师兄的CSDN主页: 欢迎关注和 ...
YOLO v2目标检测详解一box生成与转换
yolo v2会将图片切割成若干个大小为32*32 的小格子,因此,将图片传入时,图片的长和宽都必须是32的倍数,如下所示: 后面的内容中,如果没有说明,都是指的小格子.yolo v2中的box中的数 ...
使用深度学习进行自动车牌检测和识别
作者 | 小白来源 | 小白学视觉介绍在现代世界的不同方面,信息技术的大规模集成导致了将车辆视为信息系统中的概念资源.由于没有任何数据,自主信息系统就没有任何意义,因此需要在现实和信息系统之间改 ...

yolo v2 之车牌检测

yolo v2 之车牌检测相关推荐

最新文章

热门文章