YOLO FastestV2目标检测网络使用

环境：opencv_python==4.2.0.34    pytorch==1.9.0

YOLO Fastest系列是轻量级目标检测网络，目前yolo系列最轻最快，适合全平台通用，也可以搭载在嵌入式端做到实时识别 效果

1、准备工作

下载源码：GitHub上YOLO FastestV2源码

使用前建议先看下REAMDE.md中的说明

配置环境：

pip install -r requirements.txt

测试是否配置成功

python test.py --data data/coco.data --weights modelzoo/coco2017-0.241078ap-model.pth --img img/000139.jpg

运行成功后 ，会生成图片test_result.png

2、数据集准备：

运行以下代码，会在当前目录新建train和val文件夹，数据集分割成训练集和验证集，分别放入两个文件夹中，并建立train.txt和val.txt文件

import osimport randomimport shutilimage_Path=r"C:/Users/User/Desktop/marked/data"          #数据集路径val_num=20                                               #验证集数据量folder_txt_dir = ["train","val"]def Creating_folder(folder_txt_dir):        "创建train和val文件夹"    for foler in folder_txt_dir:        data_path =os.path.join(str(os.getcwd()),foler)        folder = os.path.exists(data_path)        if not folder:                             os.makedirs(data_path)    print("创建train和val文件夹成功")def Split_datasets(paths):                 "索引所有图片"        images=[]    train_num_list=[]    val_num_list=[]    for path,folder,imgs in os.walk(paths):        for img in imgs:            if img.endswith(".jpg"):                images.append(os.path.join(path,img))                "分割数据集"            alist = random.sample(range(0,len(images)),val_num)    alist.sort(reverse=True)    for n in alist:        val_num_list.append(images[n])        images.pop(n)    train_num_list=images                               "移动图片"    train_path=os.path.join(str(os.getcwd()),"train")    val_path=os.path.join(str(os.getcwd()),"val")            for train in train_num_list:        fpath,fname=os.path.split(train)        shutil.copy(train, os.path.join(train_path,fname))    for val in val_num_list:        fpath,fname=os.path.split(val)        shutil.copy(val, os.path.join(val_path,fname))            print("分割数据集成功")        def make_txt(folder_txt_dir):    "创建train.txt和val.txt"    for txt in folder_txt_dir:        data_path =os.path.join(str(os.getcwd()),txt)        image_list=os.listdir(txt)        with open(file=txt+".txt",mode="a+") as f:            for name in image_list:                if name.endswith(".jpg"):                    item=os.path.join(data_path,name)                      f.write(item)                    f.write("/n")                        print("创建train.txt和val.txt成功")if __name__ =="__main__":    Creating_folder(folder_txt_dir)    Split_datasets(image_Path)    make_txt(folder_txt_dir)

然后新建class.txt，写入物体类别（一行写一个）

标注数据集：

在Make Sense上进行标志数据集，点击Get Started，然后点击Click here to select them，选择分割好的train或者val文件夹，选中里面所有图片，然后点击Object Detection，点击Load labels from file，点击Click here to select them，选择刚才建立好的class.txt文件

标注图片时注意下对应标签，标注结束点击Actions，点击Export Annotations下载标志文件，将里面的图片.txt文件复制到train或者val文件夹下。

然后将class.txt改为class.namse

按照REAMDE.md上的描述，我可以得到如下目录结构

3、训练配置

生成锚点：

python genanchors.py --traintxt ./train.txt

--traintxt是上一步中生成的train.txt路径，运行后会生成anchors6.txt

配置训练文件：

在data文件夹中可以看到coco.data，我们可以仿照这个文件，新建mytrain.data，复制coco.data的内容到里面

[name]model_name=coco           # model name[train-configure]epochs=300                # train epichssteps=150,250             # Declining learning rate stepsbatch_size=64             # batch sizesubdivisions=1            # Same as the subdivisions of the darknet cfg filelearning_rate=0.001       # learning rate[model-configure]pre_weights=None          # The path to load the model, if it is none, then restart the trainingclasses=80                # Number of detection categorieswidth=352                 # The width of the model input imageheight=352                # The height of the model input imageanchor_num=3              # anchor numanchors=12.64,19.39, 37.88,51.48, 55.71,138.31, 126.91,78.23, 131.57,214.55, 279.92,258.87 #anchor bias[data-configure]train=/media/qiuqiu/D/coco/train2017.txt   # train dataset path .txt fileval=/media/qiuqiu/D/coco/val2017.txt       # val dataset path .txt file names=./data/coco.names                    # .names category label file

注意修改里面的anchors的值，为上一步anchors6.txt的内容，另外还有model_name和classes的值以及data-configure里面的路径，其他根据自己的需求修改即可。

4、训练模型

python train.py --data data/mytrain.data

--data为上一步建立的配置文件路径

如果是CPU训练，可能会爆内存，关掉一些后台，重新运行即可。正常运行如下图

 运行结束后，可以在weights文件下看到生成的.pth文件，我们使用最大一步的文件即可

5、模型评估

python evaluation.py --data data/mytrain.data --weights weights/mytrain-300-epoch-0.793847ap-model.pth

 --weights这个直接指向weights文件夹中最大一步的.pth文件即可

 6、使用模型进行检测

也是使用test.py文件

--data指向配置文件mytrain.data --weights指向weights文件夹中最大一步的.pth文件 --img指向想要检测图片路径，运行后也是生成test_result.png，也可以根据自己需求进行修改test.py文件