【实战】K210训练与部署YOLO目标检测模型

【实战】K210训练与部署YOLO目标检测模型

---

材料准备

• K210（Maix Bit）
• MaixPy IDE （下载链接：https://pan.baidu.com/s/1DuqdPzniZ5lrcbtoZAJkQg 提取码：q67r）
• Mx-yolov3 （下载链接：https://pan.baidu.com/s/1Gl3Qfw5s8LZuu2wc1GTITg 提取码：dvsf）
• TF卡及读卡器

项目目标

使用部署在K210上的YOLO模型完成水面漂浮垃圾的检测与识别任务

实验步骤

---

一、数据集制作

1. 准备数据集

目标检测： 每类图片数量不低于100张， 建议采集200~400张，数据集大小决定了模型的质量
因为模型最终部署在K210上，所以直接使用K210采集数据集图片。采集图片脚本如下：

链接：https://pan.baidu.com/s/1bBLRuzbX0w3ZFzC3oPwhMQ 提取码：mutk
注意：上面这个脚本需要在文件最后顶格添加一行main()才能运行。（亲身实践，在maix-bit上能顺利运行。但是在拍照过程中时常出现卡死的情况，频繁上下电和reset，导致最后在TF卡里生成多个文件夹，且每个文件夹里图片均从0开始命名，后面合并非常麻烦，不得不撸几个脚本批量完成图片的重命名工作。）

图片批量重命名脚本如下：

# -*- coding: utf-8 -*-
import os

path = 'E:\cap_images_0\\0'	# path为插上读卡器后，所要批量重命名的目录
num = 334	# num为第一张图片序号
for file in os.listdir(path):
    os.rename(os.path.join(path, file), os.path.join(path, str(num) + ".jpg"))
    num += 1

回归正题，下载好并修改拍照脚本后，将脚本命名为boot.py并（通过读卡器）放到FAST格式化后的TF卡上，如下图所示

接着拔出TF卡插入K210中（先插卡再上电），接好配套的LCD显示屏和摄像头，上电。k210上电后，系统会优先在 \sd 目录创建 boot.py和 main.py 两个文件，因为我们重写了boot.py所以系统只会新建 main.py 而不再重复新建 boot.py 。当然这无关紧要，如果在 boot.py 里面写死循环（While True）程序，将会导致 main.py 不能运行（先调用 boot.py 后调用 main.py）。相当于开机k210进入死循环，一直检测按键状态完成拍照并保存。

boot.py 主要用于配置硬件，只配置一次即可。
main.py 可以用于主要的运行的程序。

---

K210拍摄得到训练图片如下图所示：

2. 标注图片

使用标注软件labelImg进行图片标注，labelImg使用此处不予详述。标注过程如下图所示：

问题和解决方法：

• 训练过程中报错Corrupt JPEG data: premature end of data segment，经查阅，原因为训练图片解码后超内存导致数据流被截断损坏。解决方法是将图片进行压缩（具体压缩到多大得依据Mx-yolo中训练模型的源码），我使用的训练图片原大小为20KB，使用image tool工具（Mx-yolov3提供有）处理后，图片被压缩到了8KB，训练过程便不再报错。

二、模型训练

1.Mx-yolov3环境配置

Mx-yolov3环境配置详情参考下面这篇博客：

https://mc.dfrobot.com.cn/thread-308931-1-1.html

问题和解决方法：

• 当电脑中已安装有其他版本的python且没有python3.7时，无需删除原来的python，只需要下载python3.7并将路径添加至系统环境变量即可。个人建议使用anaconda新建一个专门适用于Mx-yolov3的虚拟环境，这样比较利于管理，配置python系统环境变量时指向anaconda的envs文件夹下对应的虚拟环境路径即可。需要注意的是，在配置系统环境变量时，path值目录中有多个python的时候，系统会优先选择指向anaconda下的python，我是删除了其他python路径，仅留下Mx-yolov3虚拟环境下的python。
  配置成功后，命令行输入python回车结果如下图：
  
• 当电脑中已安装了cuda其他版本且没有我们实验所需的cuda10.0时，安装Mx-yolov3文件夹中提供的cuda。注意，在安装过程中安装向导会让你选择两个路径，前者是临时解压路径，后者才是安装路径，在安装完成后会删除临时解压路径下的所有文件。由于没有注意到这一点，以至于我两个路径选成一样的，导致了安装成功后找不到cuda的文件夹/蠢哭。在正常安装完成后，一般安装程序会自动为系统添加cuda的环境变量，此时只需要用命令行键入 nvcc -V 和 nvcc -version 得到两个结果中显示的版本一致，且都为10.0即表示cuda配置成功。但是我在第一次安装成功后查看版本时发现一个是10.0一个是10.1（之前安装的cuda版本），于是就把之前版本的环境变量从path中删除了，再次查看，得到如下图所示结果，配置成功。
  

---

2.Mx-yolov3模型训练和部署

模型训练教程详情参见博客:

https://blog.csdn.net/weixin_39680380/article/details/111137088
ps：如果直接使用Mx-yolov3提供的boot.py检测例程，需要自己使用lcd.rotation()微调一下屏幕旋转方向

我得到的模型的测试结果如下图所示：

---

总结

总的来说，对于第一次走完数据集制作、模型训练、模型部署整个流程的我来说，结果还是令人满意的。但是模型质量还不大行，在上面的模型测试结果中，前三张图片虽然检测出了树叶，但是置信度都不高，后三张包含口罩图片根本没有没框。究其原因，主要是数据集太小了，总共360+张图片，200张左右包含共四种不同树叶，包含口罩的图片可能连100张都不到。后期准备扩大数据集，以提升模型质量达到预期要求。

---

第一次写这么长的博客，不免存在一些知识或是排版上的问题，还望各位看官不吝赐教。