深度学习目标检测项目实战(一)—基于深度学习框架yolov的交通标志检测

深度学习目标检测项目实战——基于深度学习框架yolov的交通标志检测

目前目标检测算法有很多，流行的就有faster-rnn和yolov，本文使用了几年前的yolov3框架进行训练，效果还是很好，当然也可以使用更高版本的Yolov进行实战。本代码使用的是keras框架，pytorch的yolov如何对数据集进行训练，可以参考我之前的文章：
工业缺陷检测项目实战(二)——基于深度学习框架yolov5的钢铁表面缺陷检测

跑工程的原理步骤都是一样的，都可以学习。

Yolov3原理

很多大佬都写得很详细，比如：
YOLOv3原理详解（绝对通俗易懂）2021-07-01
YOLOv3详解

数据集准备

使用gtsrb交通标志数据集，下载链接：
https://www.kaggle.com/datasets/meowmeowmeowmeowmeow/gtsrb-german-traffic-sign
https://aistudio.baidu.com/aistudio/datasetdetail/97069
以上两个链接都可以下载，文件夹里面是这样：

Meta没什么用，主要是Test和Train，Test作为验证集使用。

基础代码准备

本工程基于开源githubkeras-yolov代码进行修改。

环境

tensorflow==1.15.0
keras==2.3.1

前提是电脑或者服务器有cuda10.0，如果没有，只能安装tensorflow 1.14版本及以下，keras 2.2.4版本及以下，本人建议使用gpu训练，因为训练速度快很多。其他看着来，缺什么pip install什么。

使用步骤

1.将数据集放在工程文件夹

2.生成train和test的txt文件
我这里写了一个csv转txt的代码：

代码如下：

import numpy as np
import pickle
import re
import os
from PIL import Image


# Create raw data pickle file
data_raw = {}
class_list = []
box_coords_list = []
image_file_list = []

with open('GTSRB/Test.csv', 'r') as f:
	next(f) # skip header line
	for line in f:  # 遍历每一行
		line = line[:-1]  # 去掉换行符
		fields = line.split(',')
		image_file = fields[7]
		class_list.append(int(fields[6]))
		image_file_list.append(image_file)
		# Find box coordinates for all signs in this image
		box_coords = np.array([int(x) for x in fields[2:6]])

		box_coords_list.append(box_coords)


# 写入txt内容
with open("GTSRB/val.txt", 'w+', encoding='utf-8') as f:
	for i in range(len(box_coords_list)):
		box_coord = ""
		box_coord += str(box_coords_list[i][0]) + ','
		box_coord += str(box_coords_list[i][1]) + ','
		box_coord += str(box_coords_list[i][2]) + ','
		box_coord += str(box_coords_list[i][3])
		d = image_file_list[i] + ' ' + box_coord + ',' + str(class_list[i])
		f.write(d + '\n')

路径根据自己的去修改即可。生成的txt放在annotation文件夹下。

txt文件格式如下：

xxx/xxx.jpg 18.19,6.32,424.13,421.83,20 323.86,2.65,640.0,421.94,20 
xxx/xxx.jpg 48,240,195,371,11 8,12,352,498,14
# image_path x_min, y_min, x_max, y_max, class_id  x_min, y_min ,..., class_id 
# make sure that x_max < width and y_max < height

3.生成标签的类别txt文件
在data文件夹下，生成txt的文件来表示类名：

比如这里有43个类，则我们可以先用数字字符表示，等检测完再转回对于的类名：

一行表示一个类名，注意此处类名不能有空格，比如以下是错误的例子：

每一行都存在空格，这样在计算mAP的时候会报错。

数据已准备完毕。

4.修改文件路径
主要是修改train.py文件里面的这三个路径：

5.训练
运行

python train.py

6.注意
引用github源码大佬的话：

（1）本仓库有pattern=0、pattern=1、pattern=2这3种训练模式。 0-从头训练，1-读取model_body继续训练（包括解冻，但需要先运行1_lambda2model.py脚本取得model_body），2-读取coco预训练模型训练 你只需要修改pattern的值即可指定训练模式。 然后在这3种模式的if-else分支下，你再指定批大小batch_size、学习率lr等超参数。

（2）如果你决定从头训练一个模型（即pattern=0），而且你的显卡显存比较小，比如说只有6G。 又或者说你想训练一个小模型，因为你的数据集比较小。 那么你可以设置initial_filters为一个比较小的值，比如说8。 initial_filters会影响到后面的卷积层的卷积核个数（除了最后面3个卷积层的卷积核个数不受影响）。 yolov3的initial_filters默认是32，你调小initial_filters会使得模型变小，运算量减少，适合在小数据集上训练。

7.训练完之后，可以得到以下h5文件：

运行

python 1_lambda2model.py

将训练模型中yolov3的所有部分提取出来。我这里得到aaaa_bgr.h5

8.mAP评估
运行evaluate_kr.py对keras模型（1_lambda2model.py提取出来的模型）评估，跑完这个脚本后需要再跑mAP/main.py进行mAP的计算。计算完之后会保持结果图：

9.测试
在images/test里面放置要检测的图片：

运行

python demo_kr.py

比如识别：

识别结果：

另外，我使用了两次训练，第一次tarin.py里面pattern=0，即从头训练，第二次pattern=1，即加载第一次的模型作为预训练模型进行训练。同时添加了绘制acc和loss的曲线图，也对过滤了识别分数地的框。
两次训练Loss的对比：

需要整体代码的可私信我