YOLOX训练自己的数据集(超详细)

目录

一、YOLOX安装

1、下载GitHub上的代码 

2、安装yolov5所需要的依赖环境

        (1)、安装代码依赖的库文件

        (2)、通过setup.py安装一些库文件

        (3)、安装apex文件

二、YOLOX训练自己的数据集

1、数据集预处理

2、修改代码

(1)、将yolox/data/datasets/voc_classes.py中的标签信息,进行修改。

(2)、修改类别数量

(3)、修改训练集信息

(4)、修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。

(5)、修改不同的网络结构

 (6)、修改其他相关参数

三、YOLOX训练

1、终端训练

2、Pycharm训练

四、YOLOX训练及常见问题

1、利用demo.py进行测试

2、利用eval.py进行测试


YOLOX是旷视提出来的,研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与 YOLO 进行了巧妙地集成组合,不仅实现了超越 YOLOv3、YOLOv4 和 YOLOv5 的 AP,而且取得了极具竞争力的推理速度。 

YOLOX训练自己的数据集(超详细)_第1张图片

一、YOLOX安装

1、下载GitHub上的代码 

        git clone https://github.com/Megvii-BaseDetection/YOLOX

2、安装yolov5所需要的依赖环境

        (1)、安装代码依赖的库文件

        cd /home/xxx/xxx/xxxr/YOLOX-main

        pip3 install -U pip && pip3 install -r requirements.txt

        (2)、通过setup.py安装一些库文件

        通过setup.py安装一些库文件

        输入命令:python3 setup.py develop

YOLOX训练自己的数据集(超详细)_第2张图片

        (3)、安装apex文件

        输入命令:git clone https://github.com/NVIDIA/apex

        sudo pip3 install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./  

二、YOLOX训练自己的数据集

1、数据集预处理

        在这里选择使用VOC格式对YOLOX进行训练,处理的图片主要包含三个文件夹,其中Annotations存放的是xml标签数据,JPEGImages存放的是图片数据,ImageSets存放的是训练、验证、测试的txt文件。

YOLOX训练自己的数据集(超详细)_第3张图片

2、修改代码

(1)、将yolox/data/datasets/voc_classes.py中的标签信息,进行修改。

YOLOX训练自己的数据集(超详细)_第4张图片

注意:类别后面都要加逗号,例如“car”后面加了一个逗号“,”。

(2)、修改类别数量

  • 修改exps/example/yolox_voc/yolox_voc_s.py中的self.num_classes

YOLOX训练自己的数据集(超详细)_第5张图片

  • 修改yolox/exp/yolox_base.py中的self.num_classes

YOLOX训练自己的数据集(超详细)_第6张图片

(3)、修改训练集信息

  • 修改exps/example/yolox_voc/yolox_voc_s.py中的VOCDection。

YOLOX训练自己的数据集(超详细)_第7张图片

        data_dir是前面product_ak的绝对路径,

        images_sets修改为trainval

        max_labels表示图片最多的目标数量,设为50。

  • 修改yolox/data/datasets/voc.py中,VOCDection函数中的读取txt文件。

YOLOX训练自己的数据集(超详细)_第8张图片

(4)、修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。

YOLOX训练自己的数据集(超详细)_第9张图片

         data_dir是前面product_ak的绝对路径,

         images_sets修改为test

(5)、修改不同的网络结构

        以YOLOX_l网络为例,比如在exps/default/yolox_s.py中,self.depth=1.0,self.width=1.0。和Yolov5中的不同网络调用方式一样。

YOLOX训练自己的数据集(超详细)_第10张图片

        为了统一不同的网络结构,继续修改exps/example/yolox_voc/yolox_voc_s.py中的,self.depth和self.width。

YOLOX训练自己的数据集(超详细)_第11张图片

        再修改yolox/exp/yolox_base.py中的,self.depth和self.width。

YOLOX训练自己的数据集(超详细)_第12张图片

 (6)、修改其他相关参数

  • 修改验证epoch的数量

        目前代码中是训练迭代10个epoch,再对验证集做1次验证,但大白想每迭代1个epoch,即做一个验证,及时看到效果。

YOLOX训练自己的数据集(超详细)_第13张图片

  • 修改验证时的相关信息

        主要对读取验证信息的相关代码进行调整,代码在yolox/data/datasets/voc.py中_do_python_eval函数中。

  • 因为自有数据集没有year信息,所以将其中的rootpath和name修改
  • 因为没有year信息,所以将其中的cachedir修改;修改use_07_metric的信息。

YOLOX训练自己的数据集(超详细)_第14张图片

三、YOLOX训练

1、终端训练

        将下载好的yolox_s.pth.tar放到YOLOX文件夹中,打开终端,在终端中输入:

        python3 tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 0 -b 64  -c yolox_s.pth.tar

YOLOX训练自己的数据集(超详细)_第15张图片

2、Pycharm训练

        代码运行时,常常需要Debug的方式,进行调试执行。所以可以修改train.py的几个配置参数,采用Debug或者Run的方式进行执行。主要需要修改以下参数:

  • batch-size

        根据自己机器的配置,设置batch-size的参数,比如设置为64。

YOLOX训练自己的数据集(超详细)_第16张图片

  •  devices参数

        如果GPU服务器只有1张卡,将devices的default修改为0。

YOLOX训练自己的数据集(超详细)_第17张图片

  • exp_file参数

        将exp_file的default修改为yolox_voc_s.py的路径(如代码版本更新,可重置路径)。

YOLOX训练自己的数据集(超详细)_第18张图片

  • ckpt参数

        如果使用预训练权重,将ckpt的default修改为模型权重的路径。

YOLOX训练自己的数据集(超详细)_第19张图片

        然后就可以在pycharm里面进行训练了。

四、YOLOX训练及常见问题

        在训练完成后,可以对训练的YOLOX算法模型进行测试,测试文件保存在tools/文件夹下,测试可以运行demo.py和eval.py这两个文件

1、利用demo.py进行测试

  • 首先是选择测试的模式是图片还是视频,然后输入需要测试图片/视频的路径

YOLOX训练自己的数据集(超详细)_第20张图片

  •  修改yolox的配置文件,与训练时的配置文件一致

YOLOX训练自己的数据集(超详细)_第21张图片

  •  修改训练后模型的保存地址,以及是否使用GPU进行加速

YOLOX训练自己的数据集(超详细)_第22张图片

  •  到此就可以运行demo.py进行demo测试了,测试后输出测试结果,如下所示

2、利用eval.py进行测试

  •  修改eval.py文件中的batch_size大小,可根据个人的显卡大小修改

YOLOX训练自己的数据集(超详细)_第23张图片

  •  修改yolox的配置文件,与训练时的配置文件一致

YOLOX训练自己的数据集(超详细)_第24张图片

  •  修改测试时使用的模型,得分阈值、nms阈值等参数

YOLOX训练自己的数据集(超详细)_第25张图片

  •  修改上述参数就可以进行验证了,会输出模型在测试集的mAP等指标

你可能感兴趣的:(目标检测,神经网络,CNN,深度学习,机器学习,神经网络)