4.3 AI识虫比赛

一、查看环境并准备数据

# 查看当前挂载的数据集目录, 该目录下的变更重启环境后会自动还原
!ls /home/aistudio/data

# 查看工作区文件, 该目录下的变更将会持久保存. 请及时清理不必要的文件, 避免加载过慢.
!ls /home/aistudio/work

anchor_lables.py  draw_results.py    multinms.py	reader.py
box_utils.py	  eval.py	     output_pic.png	train.py
calculate_map.py  image_utils.py     predict.py		yolo_epoch50.pdparams
darknet.py	  insects_reader.py  pred_results.json	yolov3.py
draw_anchors.py   map_utils.py	     __pycache__

# 将数据解压缩到 /home/aistudio/work目录下面
# 初次运行时需要将代码注释取消
!unzip -d /home/aistudio/work /home/aistudio/data/data67206/insects.zip

# 进入工作目录  /home/aistudio/work
%cd  /home/aistudio/work

# 查看工作目录下的文件列表
!ls

anchor_lables.py  draw_results.py    map_utils.py	__pycache__
box_utils.py	  eval.py	     multinms.py	reader.py
calculate_map.py  image_utils.py     output_pic.png	train.py
darknet.py	  insects	     predict.py		yolo_epoch50.pdparams
draw_anchors.py   insects_reader.py  pred_results.json	yolov3.py

二、启动训练

通过运行train.py 文件启动训练，训练好的模型参数会保存在/home/aistudio/work目录下。

!python train.py

三、启动评估

通过运行eval.py启动评估，需要制定待评估的图片文件存放路径和需要使用到的模型参数。评估结果会被保存在pred_results.json文件中。

• 为了演示计算过程，下面使用的是验证集下的图片./insects/val/images，在提交比赛结果的时候，请使用测试集图片./insects/test/images

• 这里提供的yolo_epoch50.pdparams 是未充分训练好的权重参数，请在比赛时换成自己训练好的权重参数

# 在测试集test上评估训练模型，image_dir指向测试集集路径，weight_file指向要使用的权重路径。
# 参加比赛时需要在测试集上运行这段代码，并把生成的pred_results.json提交上去
!python eval.py --image_dir=insects/test/images --weight_file=yolo_epoch50.pdparams 

# 在验证集val上评估训练模型，image_dir指向验证集路径，weight_file指向要使用的权重路径。
!python eval.py --image_dir=insects/val/images --weight_file=yolo_epoch50.pdparams 

计算精度指标

通过运行calculate_map.py计算最终精度指标mAP

• 同学们训练完之后，可以在val数据集上计算mAP查看结果，所以下面用到的是val标注数据./insects/val/annotations/xmls

• 提交比赛成绩的话需要在测试集上计算mAP，本地没有测试集的标注，只能提交json文件到比赛服务器上查看成绩

!python calculate_map.py --anno_dir=insects/val/annotations/xmls/ --pred_result=pred_results.json 

Accumulating evaluatation results...
mAP(0.50, 11point) = 71.97

四、预测单张图片并可视化预测结果

!python predict.py --image_name=./insects/test/images/3157.jpeg --weight_file=./yolo_epoch50.pdparams
# 预测结果保存在“/home/aistudio/work/output_pic.png"图像中，运行下面的代码进行可视化

# 可视化检测结果
from PIL import Image
import matplotlib.pyplot as plt
%matplotlib inline

img = Image.open("/home/aistudio/work/output_pic.png")

plt.figure("Object Detection", figsize=(15, 15)) # 图像窗口名称
plt.imshow(img)
plt.axis('off') # 关掉坐标轴为 off
plt.title('Bugs Detestion') # 图像题目
plt.show()

五、提升方案

这里给出的是一份基础版本的代码，可以在上面继续改进提升，可以使用的改进方案有：

• 1、使用其它模型如faster rcnn等 （难度系数5）

• 2、使用数据增强，可以对原图进行翻转、裁剪等操作 （难度系数3）

• 3、修改anchor参数的设置，教案中的anchor参数设置直接使用原作者在coco数据集上的设置，针对此模型是否要调整 （难度系数3）

• 4、调整优化器、学习率策略、正则化系数等是否能提升模型精度 （难度系数1）