梅西目标检测

目标检测-足球和梅西
1. 安装 darknet
同以上项目。安装前,可将足球检测项目重命名为darknet_ball,将messi检测项目重命名为darknet_messi。
2. 给自己的数据集打标签
1) 添加自定义类别
修改文件labelImg/data/predefined_classes.txt
ball
messi
trophy
2)使用labelImg进行图像标注
用labelImg标注生成PASCAL VOC格式的xml标记文件
 
3. 整理自己的数据集
1) 下载项目文件:
从百度网盘下载到darknet目录下并解压
链接:https://pan.baidu.com/s/1R-azYMOEwOZ5dQpfi2OMVQ
提取码:guk3
VOCdevkit_bm.tar.gz
visualization.tar.gz
testfiles.tar.gz
gen_files.py
gen_anchors.py
reval_voc.py
voc_eval.py
draw_pr.py
2)生成训练和测试文件
执行
python gen_files.py  在VOCdevkit / VOC2007目录下可以看到生成了文件夹labels ,同时在darknet下生成了两个文件2007_train.txt和
2007_test.txt。2007_train.txt和2007_test.txt分别给出了训练图片文件和测试图片文件的列表,含有每个图片的
路径和文件名。另外,在VOCdevkit / VOC2007/ImageSets/Main目录下生产了两个文件test.txt和train.txt,分别
给出了训练图片文件和测试图片文件的列表,但只含有每个图片的文件名(不含路径和扩展名)。
labels下的文件是images文件夹下每一个图像的yolo格式的标注文件,这是由Annotations的xml标注文件转换来
的。
4. 修改配置文件
1)新建data/voc.names文件
可以复制data/voc.names再根据自己情况的修改;可以重新命名如:data/voc-bm.names
2)新建 cfg/voc.data文件
可以复制cfg/voc.data再根据自己情况的修改;可以重新命名如:cfg/voc-bm.data
3)新建cfg/yolov3-voc.cfg
可以复制cfg/yolov3-voc.cfg再根据自己情况的修改;可以重新命名cfg/yolov3-voc-bm.cfg:
在cfg/yolov3-voc.cfg文件中,三个yolo层和各自前面的conv层的参数需要修改:
三个yolo层都要改:yolo层 classes=2; conv层 filters=21
 
5. 训练自己的数据集
1)在 darknet 目录下载权重文件:
wget https://pjreddie.com/media/files/darknet53.conv.74
这里的训练使用迁移学习,所以下载的yolo预训练的权重文件(不含全连接层)
2)训练
./darknet
detector train cfg/voc-bm.data cfg/yolov3-voc-bm.cfg darknet53.conv.74
如需要存储训练日志,执行
./darknet detector train cfg/voc-bm.data cfg/yolov3-voc-bm.cfg darknet53.conv.74 2>1 |
tee visualization/train_yolov3_bm.log
执行前应建立visualization目录。可通过将visualization.zip解压到darknet项目目录下。
3) 训练log文件分析
cd visualization
修改 extract_log.py文件,改动extract_log('train_yolov3_bm.log','train_log_loss.txt','images')
extract_log('train_yolov3_bm.log','train_log_iou.txt','IOU')
python extract_log.py
得到两个文件: train_log_loss.txt, train_log_iou.txt
改变其中的lines的值。
然后,执行:
python train_loss_visualization.py
python train_iou_visualization.py
得到avg_loss.png和Region Avg IOU.png
4) 训练设置
batch=64
subdivisions=16
width=608
height=608
max_batches = 4000
policy=steps
steps=3200,3600
6. 测试训练出的网络模型
训练好后可以在backup看到权重文件
尝试test前要修改cfg文件,切换到test模式。
可以重新建立一个测试cfg文件, 如yolov3-voc-bm-test.cfg
测试图片:
./darknet detector test cfg/voc-bm.data cfg/yolov3-voc-bm-test.cfg backup/yolov3-voc-
bm_final.weights testfiles/test_img5.jpg
测试视频:
./darknet detector demo cfg/voc-bm.data cfg/yolov3-voc-bm-test.cfg backup/yolov3-voc-
bm_final.weights testfiles/messi.mp4
7. 性能统计
计算mAP
首先执行./darknet detector valid cfg/voc-bm.data cfg/yolov3-voc-bm-test.cfg backup/yolov3-voc-
bm_final.weights  
生成results/comp4_det_test_ball.txt和results/comp4_det_test_messi.txt文件
然后执行
python reval_voc.py
--classes
--voc_dir /home/bai/darknet/VOCdevkit --year 2007 --image_set test
/home/bai/darknet/data/voc-bm.names testBM
生成testBM/ball_pr.pkl文件和testBM/messi_pr.pkl文件
画出PR曲线
修改文件draw_pr.py
fr = open('testBM/ball_pr.pkl','rb')
fr = open('testBM/messi_pr.pkl','rb')
然后可画出PR曲线,通过执行
python draw_pr.py
 
8. 修改默认的先验框大小
1) 使用k-means聚类获得自己数据集的先验框大小
修改gen_anchors.py文件
width_in_cfg_file = 608.
height_in_cfg_file = 608.
执行
python
gen_anchors.py
得到的anchor大小
anchorbox.w*32
anchorbox.h*32
2) 修改cfg文件中的先验框大小
3) 重新训练和测试
 
8. 修改默认的先验框大小1) 使用k-means聚类获得自己数据集的先验框大小
修改gen_anchors.py文件
width_in_cfg_file = 608.
height_in_cfg_file = 608.
执行
python
gen_anchors.py
得到的anchor大小
anchorbox.w*32
anchorbox.h*32
2) 修改cfg文件中的先验框大小
3) 重新训练和测试