使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件

声明:本文谢绝转载!

CSDN地址:https://blog.csdn.net/weixin_58068682
个人博客:https://amnesia-f.gitee.io/

一、功能介绍

目前提供两种训练:

  • 目标分类: 识别图片所属的种类, 比如图中是苹果还是杯子, 没有坐标。 如下图,识别到了苹果,是苹果的概率为0.8

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第1张图片

  • 目标检测: 检测图片中物体的位置, 并且输出这个物体的坐标和物体大小(即框出认识的物体)。 如下图, 识别到了苹果, 并且框出了位置, 是苹果的概率为0.8

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第2张图片

二、确定方案

  1. 首先确定要训练哪种模型。
    在上面支持的模型中选择一个,如果不需要检测物体坐标, 用目标分类, 需要坐标则目标识别,
    两者处理数据要做的工作和格式都不一样, 后者会复杂很多。

  2. 确定分类。 包括分类数量, 具体分类。 比如这里以识别红色小球和玩具为例:

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第3张图片
使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第4张图片

所以共两个分类: balltoy, 我们也称之为标签(label)

注意!分类名(标签/label)只能使用英文字符和下划线

  1. 确定分辨率。 图片的分辨率也十分重要,不管是在采集、训练,还是使用时, 都需要十分注意, 稍不注意,模型可能就无法使用或者识别精度低。
    以下为Maixhub目前支持的分辨率,其它分辨率将会训练失败:

目标分类、目标检测: 224x224(推荐)

确定采集数据集(这里就是所有图片的统称)数量。 即确定好每个分类的图片数量,方便后面采集图片快速准确进行,

三、获取,处理数据集

1.采集数据

  1. 图片数据的采集可以使用任意的图片采集工具。某些特定的图片数据,可能需要用k210主控板的摄像头来拍摄,这样数据使用会比较准确。

  2. 手机拍照, 然后使用预处理工具处理成需要的分辨率

  3. 可以使用网络爬虫在网络上按名称爬取图片,在Mx_yolo_v3的“工具集”菜单中,使用图片爬取工具可以爬取需要的照片。

注:要把无效图片去除,否则会影响训练!

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第5张图片

得到图片数据后,将其导入电脑:

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第6张图片

2.处理图片分辨率

打开Image_tool.exe软件,看到以下界面,点击选择图像文件夹...,选择存放采集照片的文件夹,设置分辨率为224*224

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第7张图片

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第8张图片

等待处理完毕后,即可得到224*224分辨率的图片:

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第9张图片

3.对图片进行更名

打开 拖把更名器 文件夹中的xTools.exe

点击菜单栏中的序号,接下来按照下图步骤操作即可:

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第10张图片

应用更改后即可得到按照序号排列的文件名:

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第11张图片

4.标注图片

此步骤仅目标检测需要操作!

目标分类可跳过此步骤。

新建一个mask文件夹,里面新建imagesxml文件夹,将先前处理好的图片数据丢入images文件夹。

打开LabelImg软件:

  1. 更改图片所在文件夹;
  2. 更改标签所在文件夹;

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第12张图片

  1. 点击 Create RectBox 进行标注;
  2. 在图片上拖选出需要识别的标注部分;
  3. 输入标签/label名,点击OK;
  4. 点击 Save 保存;
  5. 点击Next Images 标注下一张图片;

到此数据集的处理和准备工作完毕,接下来就可以开始训练模型了!

四、训练模型

1.目标分类

1.1 线上Maixhub平台

打包数据集

将数据集按以下分支保存,

并将其压缩为zip文件:

datasets.zip
            |
            datasets
                    |
                     ----mask
                    |        |
                    |         ---0.jpg
                    |        |
                    |         ---1.jpg
                    |        |
                    |         ---2.jpg
                    |
                     ----redbull
                           |
                            ---0.jpg
                           |
                            ---1.jpg

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第13张图片

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第14张图片

压缩文件命名为datasets.zip,注意大小不要超过20MB。

训练过程

打开Maixhub注册地址:https://www.maixhub.com/register,注册一个账号:

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第15张图片

注册成功后记得去邮箱激活账号。

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第16张图片

回到首页,点击网页顶部的模型训练

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第17张图片

选择物体分类,点击 Next :

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第18张图片

上传前面打包好的数据集:

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第19张图片

上传完成后点击Submit,之后耐心等待即可:

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第20张图片

等待一段时间训练完成后,来到此界面,点击 Download 下载训练好的模型文件:

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第21张图片

下载回来得到以下文件,将其全部丢入K210板的sd卡中,上电之后即可实现简单的目标分类功能:

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第22张图片

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第23张图片

1.2 线下Mx_Yolo_v3训练

保存数据集

将数据集按以下分支保存,

线下训练无需打包为压缩包。

images
      |
        ----apples
      |      |
      |       ---0.jpg
      |      |
      |       ---1.jpg
      |      |
      |       ---2.jpg
      |
        ----bananas
              |
              ---0.jpg
              |
              ---1.jpg

进行训练

打开Mxyolov3,点击图像分类

点击选择,选取到刚才调整好的images文件夹,再点击提取,此时正常来说可以显示出你的各label名称,比如我的是apples,bananas

其他配置参数可以保持默认无需更改,如果需要更高的识别率可以调整训练次数的多少。

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第24张图片

点击开始训练,耐心等待一段时间即可。

跑完训练过程后,会出现两个结果图,关闭即可,等待信息栏出现over,end等字样即代表训练过程完成,会自动弹出存放模型文件的文件夹。

需记录下此文件夹路径,后面需要用到,一般在Mx_yolo安装目录下的Model_file文件夹中。

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第25张图片

测试模型

点击右上角的测试模型,选择刚才训练完毕后弹出的文件夹中的weights.h5文件,得到以下结果。

可以看到有关苹果的图片被标注上apples,说明模型可以正常使用。

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第26张图片

转换模型

Mx_yolo_v3中训练出的模型无法直接在K210板上使用,需要转换为kmodel文件,

在软件中内置了模型转换软件,点击右上角的转换模型,进入以下界面:

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第27张图片

  1. 模型输入路径选择刚才弹出的Model_file文件夹下的weights.tflite文件;
  2. 模型输出路径选择你需要导出的文件所在路径;
  3. 量化图片路径选择你的图片数据集。

转换成功后即可放入sd卡在K210板中运行。

2.目标检测

1.1 线上 Maixhub 平台

打包数据集

新建一个labels.txt, 输入标记的标签, 每行一个, 比如这里:

ball
toy

这是必须的, 否则数据会无效。

然后目录结构如下:

datasets.zip
            |
            datasets
                    |
                     ----images
                    |        |
                    |        |---0.jpg
                    |        |
                    |         ---1.jpg
                    |
                    |------xml
                    |        |---0.xml
                    |        |
                    |        |---1.xml
                    |
                     ----labels.txt

或者两级labelimg输出:

datasets.zip
          |
           datasets
                  |
                  |---images
                  |      |
                  |       ----ball
                  |      |       |
                  |      |        ---0.jpg
                  |      |       |
                  |      |        ---1.jpg
                  |      |
                  |       ----toy
                  |      |      |
                  |      |       ---0.jpg
                  |       ---pic0.jpg
                  |---xml
                  |     |
                  |      ----ball
                  |     |        |
                  |     |         ---0.xml
                  |     |        |
                  |     |         ---1.xml
                  |     |
                  |      ----toy
                  |     |       |
                  |     |        ---0.xml
                  |      ----pic0.xml
                   --labels.txt

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第28张图片

训练过程

目标检测与目标分类的线上训练过程完全相同,仅需更改为对应模式即可,

参考四、 1. 1.1 训练过程处步骤即可。

1.2 线下 Mx_yolo_v3 训练

打开软件,选择目标识别

  1. 选择网络为Yolov2-K210
  2. 训练图片地址选择为你图片训练集的路径;
  3. 训练标签地址选择为你为图片标注后保存的xml文件路径;
  4. 点击自动提取,将提取出种类名称,即label;
  5. 点击计算,将自动计算出锚点,即author,后面会用到。
  6. 其他配置可保持默认不变,建议取消勾选数据校验,容易闪退。

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第29张图片

点击开始训练即可;

等待训练完成后会出现类似于目标分类后的曲线图,关闭后再稍等片刻即可。

模型转换

此步骤与前面大同小异,参考四、 1. 1.2 测试模型、转换模型处步骤。

五、上传程序

目标分类

使用以下代码:

  1. 需要在代码15行及70行修改引用的kmodel文件:model_addr="/sd/fruit.kmodel"
  2. 需要在代码68行修改你的label名:labels = ["apples", "bananas"]
import sensor, image, lcd, time
import KPU as kpu
import gc, sys


def lcd_show_except(e):
    import uio
    err_str = uio.StringIO()
    sys.print_exception(e, err_str)
    err_str = err_str.getvalue()
    img = image.Image(size=(224,224))
    img.draw_string(0, 10, err_str, scale=1, color=(0xff,0x00,0x00))
    lcd.display(img)

def main(labels = None, model_addr="/sd/fruit.kmodel", sensor_window=(224, 224), lcd_rotation=0, sensor_hmirror=False, sensor_vflip=False):
    sensor.reset()
    sensor.set_pixformat(sensor.RGB565)
    sensor.set_framesize(sensor.QVGA)
    sensor.set_windowing(sensor_window)
    sensor.set_hmirror(sensor_hmirror)
    sensor.set_vflip(sensor_vflip)
    sensor.run(1)

    lcd.init(type=1)
    lcd.rotation(lcd_rotation)
    lcd.clear(lcd.WHITE)

    if not labels:
        with open('labels.txt','r') as f:
            exec(f.read())
    if not labels:
        print("no labels.txt")
        img = image.Image(size=(320, 240))
        img.draw_string(90, 110, "no labels.txt", color=(255, 0, 0), scale=2)
        lcd.display(img)
        return 1
    try:
        img = image.Image("startup.jpg")
        lcd.display(img)
    except Exception:
        img = image.Image(size=(320, 240))
        img.draw_string(90, 110, "loading model...", color=(255, 255, 255), scale=2)
        lcd.display(img)

    try:
        task = None
        task = kpu.load(model_addr)
        while(True):
            img = sensor.snapshot()
            t = time.ticks_ms()
            fmap = kpu.forward(task, img)
            t = time.ticks_ms() - t
            plist=fmap[:]
            pmax=max(plist) 
            max_index=plist.index(pmax)
            img.draw_string(0,0, "%.2f : %s" %(pmax, labels[max_index].strip()), scale=2, color=(255, 0, 0))
            img.draw_string(0, 200, "t:%dms" %(t), scale=2, color=(255, 0, 0))
            lcd.display(img)
    except Exception as e:
        raise e
    finally:
        if not task is None:
            kpu.deinit(task)


if __name__ == "__main__":
    try:
        labels = ["apples", "bananas"]
        # main(labels=labels, model_addr=0x300000)
        main(labels=labels, model_addr="/sd/fruit.kmodel")
    except Exception as e:
        sys.print_exception(e)
        lcd_show_except(e)
    finally:
        gc.collect()

目标检测

根据实际情况修改即可:

六、出错问题

1.内存不足

SYSCALL: Out of memory

Traceback (most recent call last):
  File "main.py", line 24, in 
ValueError: [Maixduino]kpu: load error:2006, ERR_NO_MEM: memory not enough

解决办法:刷mini固件,下载地址

2.锚点错误

File "main.py", line 30, in 
ValueError: [MAIXPY]kpu: region_layer_init err!

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第30张图片

此问题为使用目标分类模型,但没有使用到锚点所报的错。

解决方法:参考上文提供的代码,使用Python纯代码编写程序。

3.转换失败

使用Mx-Yolov3与Maixhub,本地及线上训练K210模型文件_第31张图片

解决方法:无,更换电脑重试。

七、下载资源

  • Mx_Yolo-v3安装包:https://www.aliyundrive.com/s/Vknz8mtKqMj

提取码zl04

  • mini固件:下载地址

  • 其他软件及代码等文件:
    可以在评论区留下邮箱,网盘多有空间及文件类型限制,分享过于麻烦。

八、参考文档

  • Maixhub 模型训练平台使用说明

  • 博派史上最强K210板教程6——模型训练

你可能感兴趣的:(Python,人工智能,深度学习,计算机视觉,人工智能)