YOLOv5基于NAIE实现更快更精确地识别超可爱的逢坂大河

文章首发及后续更新：https://mwhls.top/2351.html
新的更新内容请到mwhls.top查看。
无图/无目录/格式错误/更多相关请到上方的文章首发页面查看。

基于NAIE平台的YOLOv5识别超超超可爱的逢坂大河

目录

1. 数据集改进

2. 改进方向

3. NAIE安装yolov5

4. 数据集导入

5. 训练代码

6. 预测代码

7. 保存

8. 保持训练不中断

9. 结果

数据集改进

• 不同于上次的画师数据集，这次我是从第一集视频里面截了152张图的数据集。
  • 增加了侧脸/背影/上方视角/侧身视角/下方视角/背景等类型图片。
  • 精确度提高了不少。
• 数据集下载：
  • 链接：https://pan.baidu.com/s/17zM5s6qL1FGnPhcsMyIx1A
  • 提取码：cute

改进方向

1. 数据集数量可以再增加点，还是有些误报。
2. 应该给预测加个阈值，有的置信度低的不应该被标记。

NAIE安装yolov5

1. 打开模型训练，将从yolov5源码上传至NAIE。
2. 上传权重文件至yolov5文件夹（可选，没有的话，在使用时会自动下载）
   • 下载链接可以见这篇博客：https://blog.csdn.net/ai_faker/article/details/107099907
3. 在Yolov5文件夹打开命令行，输入pip install -r requirements.txt安装。
   • 出错：
     • 无skbuild模块：更新pip版本，pip install –upgrade pip
     • PyYAML无法安装：pip install –ignore-installed PyYAML
     • 再输入pip install -r requirements.txt可正常安装。
   • 代码自动安装requirements.txt：
     • 创建install_requirements.py：
       • import os
       • os.system(‘pip install --upgrade pip’)
       • os.system(‘pip install --ignore-installed PyYAML’)
       • os.system(‘pip install -r requirements.txt’)
     • 打开命令行，输入python install_requirements.py

数据集导入

1. 注：NAIE上的yolov5不能像本地一样调用数据集中文件，但官方提供了moxing库，方便我们将其从数据集中copy至代码目录中。
2. 将制作好的labels与images文件夹压缩在一起，成为Toradora.zip
3. 将Toradora.zip上传至数据集。
   • 此时，Toradora.zip存放与Toradora数据库下的Episode1实例中，且仅此一个文件。
4. 打开模型训练，创建download_dataset.py：
   • from naie.datasets import get_data_reference
   • import moxing as mox
   • dataset_path = get_data_reference(dataset=“Toradora”, dataset_entity=“Episode1”).get_files_paths()[0]
   • mox.file.copy(dataset_path, ‘./Toradora/toradora.zip’)
5. 命令行运行python download_dataset.py
   • 如果提示‘NoneType’，把文件移动到其他文件夹下再试。
   • 和环境创建好时就存在的那些文件放在一起一般可以正常使用。
6. 右键Toradora.zip，Unzip here解压它。
   • 或unzip Toradora.zip
7. 创建Toradora.yaml文件：
   • train: …/Toradora/images/
   • val: …/Toradora/images/
   • nc: 1
   • names: [ ‘cute’ ]
8. 此时文件目录为：
   • 根目录
     • yolov5-master
       • train.py
       • yolov5s.pt
       • requirements.txt
     • Toradora
       • images
       • labels
       • Toradora.yaml
     • requirements.txt
     • download_dataset.py
     • install_requirements.py

训练代码

• 在根目录创建train.py文件：
  • import os
  • os.chdir(’./yolov5-master’)
  • os.system(‘python train.py --data …/Toradora/Toradora.yaml --cfg /models/yolov5s.yaml’)
• 启动训练任务
  • 使用python train.py启动训练任务。
• 此时文件目录为：
  • 根目录
    • yolov5-master
      • train.py
      • yolov5s.pt
      • requirements.txt
    • Toradora
      • images
      • labels
      • Toradora.yaml
      • Toradora.cache如果出现xx.jpg不存在，请删除cache文件
    • train.py
    • requirements.txt
    • download_dataset.py
    • install_requirements.py
• 注：
  • 训练时如果报错no such a file: …/Toradora/images/AisakaTaiga (1).jpg
  • 删除数据集中的cache文件。

预测代码

• 同上，添加detect.py代码：
  • import os
  • os.chdir(’./yolov5-master’)
  • os.system(‘python detect.py --source …/Toradora/toradora-01.mp4 --weight ./runs/train/exp5/weights/best.pt’)

保存

• 同上，添加main.py代码。
• 使用NAIE的模型训练功能进行训练，将结果以不包含代码的形式归档，并下载。
• 在多次训练、测试、预测后，代码会产生大量的日志文件及模型文件，
  • 单纯使用模型打包全部代码，会产生非常大的数据量，
  • 因此仅将需要的内容压缩，并保存至输出文件夹，
  • 再进行归档，并在模型管理中下载，能减少很多的数据量。

import os
from naie.context import Context
import moxing as mox


def save_output(path, save_name):
    # path：'./yolov5-master/' + '预测/测试/训练结束时的输出目录'
    # 例：'./yolov5-master/runs/train/exp5'
    # save_name： '压缩包文件名'
    # 例：'train'
    # 将文件夹压缩成zip文件，借助NAIE的模型训练功能，输出。
    # 在模型训练结束后，进行归档，包含代码选否，生成模型包选是。
    # 将在模型管理中生成文件，待其处理成功后，下载下来。
    save_name = save_name + '.zip'
    file_path = os.path.join(path, save_name)
    print(file_path)
    os_command = 'zip -rq {0} {1}'.format(file_path, path)
    print(os_command)
    os.system(os_command)
    output_path = os.path.join(Context.get_output_path(), save_name)
    print(output_path)
    mox.file.copy(file_path, output_path)


def main():
    print('\n\nStart output...')

    # train file save
    train_path = './yolov5-master/runs/train/exp5'
    train_name = 'train'
    save_output(train_path, train_name)

    # detect file save
    detect_path = './yolov5-master/runs/detect/exp4'
    detect_name = 'detect'
    save_output(detect_path, detect_name)

    print('Output success.\n\n')


if __name__ == '__main__':
    main()

保持训练不中断

• YOLO很难使用NAIE的模型训练服务，即便训练了也无法保存，即便加上保存代码也会因为库冲突而导致NAIE缺失。
• 所以得使用Linux的挂起与后台命令。
• 挂起：nohup
• 后台：&
• 写入日志：> log.log
• 例：nohup python -u train.py --data ../Toradora/Toradora.yaml > log.log 2>&1 &
• 参考：https://blog.csdn.net/jiahao1186/article/details/89537943

结果

• 本次较高精确度的结果：http://pan-yz.chaoxing.com/preview/showpreview_598983421407461376.html?v=1620738942000
  • 特意合成了声音！
• 上次少量数据训练的精确度极低的结果：http://pan-yz.chaoxing.com/preview/showpreview_598985573856804864.html?v=1620739102000
• 下面是一个多人场景中的效果，在视频2:29秒，特意选了一个显腿长的时间点截的。
  • 上次的模型根本没识别出来，甚至还在前后几秒识别错误。

图1：截图截的好，身高矮不了