桨检测

介绍

PaddleDetection 是一款基于 PaddlePaddle 的端到端目标检测开发套件,旨在帮助开发者在训练模型的整个开发、性能和推理速度优化、模型部署等方面提供帮助。 Paddedetection 提供了模块化设计的各种目标检测架构,并提供了丰富的数据增强方法、网络组件、损失函数等。 Paddedetection支持工业质量检测、遥感影像物体检测、自动检测等实用项目,具备模型等实用功能。压缩和多平台部署。

现在 PaddleDetection 中的所有模型都需要 1.8 或更高版本的 PaddlePaddle 或相应的开发版本。

GitHub地址:https://github.com/PaddlePaddle/PaddleDetection

特征

丰富的模型:

Paddedetection 提供了丰富的模型,包括 100 多个预训练模型,例如对象检测、实例分割、人脸检测等。它涵盖了冠军模型,一种适用于云和边缘设备的实用检测模型。

生产就绪:

关键操作用C++和CUDA实现,加上PaddlePaddle的高效推理引擎,可以轻松部署在服务器环境中。

高度灵活:

这些组件被设计成模块化的。模型架构和数据预处理管道可以通过简单的配置更改轻松定制。

性能优化:

借助基本的 PaddlePaddle 框架,我们可以加快训练速度并减少 GPU 的内存占用。值得注意的是,YOLOv3 的训练速度比其他框架快得多。另一个例子是掩码 RCNN (ResNet50)。在多 GPU 训练期间,我们尝试为每个 GPU(Tesla V100 16GB)容纳最多 4 个图像。

本项目实验步骤及结果

本实验在0中使用paddedetection2 Yolov3(主干网络是mobilenetv3的轻量级模型),通过几行代码就可以实现吸烟的目标检测。后期可部署监控公共场所非吸烟区,mAP值达到88.51%

实验步骤

1.解压自定义数据集;

2.下载安装paddedetection包;

3.用户定义的数据集分区;

4、选择模型(本次选择YOLO-v3)进行训练:训练配置文件说明;

5\。效果可视化:使用训练好的模型对结果进行预测和可视化;

6\。模型评估与预测:评估模型效果;

7\。预测结果

实验结果

检测效果如下图所示:

1 解压自定义数据集

标记的吸烟图片(VOC 数据集)将被解压缩。

建议上传压缩包

文件格式:

pp_somke:

——注解

1.xml

2.xml

.......

-图片:

1.jpg

2.jpg

.......

!unzip -oq 数据/data94796/pp_smoke.zip -d 工作/

2 下载安装paddedetection包

! git 克隆 https://gitee.com/paddlepaddle/PaddleDetection.git

克隆到 'PaddleDetection'...

远程:枚举对象:14575,完成。[K

远程:计数对象:100% (14575/14575),完成。[K

远程:压缩对象:100% (6264/6264),完成。[K

远程:总计 14575(增量 10732),重用 11456(增量 8175),打包重用 0[K

接收对象:100% (14575/14575), 132.71 MiB | 15.26 MiB/s,完成。

解决增量:100% (10732/10732),完成。

检查连接...完成。

3.用户定义数据集的划分

将数据集按照9:1的比例进行划分,生成训练集train Txt和验证集val.txt进行训练

进口随机

导入我们

#生成train Txt和val.txt

随机种子(2020)

xml_dir u003d '/home/aistudio/work/Annotations'#标签文件地址

img_dir u003d '/home/aistudio/work/images'#图片文件地址

路径_list u003d 列表()

对于 os.listdir(img_dir) 中的 img:

img_path u003d os.path.join(img_dir,img)

xml_path u003d os.path.join(xml_dir,img.replace('jpg', 'xml'))

path\list.append((图像路径,xml\path))

random.shuffle(路径_list)

比率 u003d 0.9

train_f u003d open('/home/aistudio/work/train.txt','w') #生成训练文件

val_f u003d open('/home/aistudio/work/val.txt' ,'w')#生成验证文件

对于 i ,枚举中的内容(路径_list):

img, xml u003d 内容

文本 u003d img + ' ' + xml + '\n'

如果 i < len(path_list) * 比率:

火车_f.write(文本)

其他:

val_f.write(文本)

火车_f.close()

val_f.close()

#生成标签文档

label u003d ['smoke']#设置你要检测的类别

with open('/home/aistudio/work/label_list.txt', 'w') as f:

对于标签中的文本:

f.write(文本+'\n')

%cd 桨检测

/home/aistudio/PaddleDetection

4.训练选择模型(本次选择YOLO-v3):训练配置文件说明

选择模型后,用户只需要更改相应的配置文件并运行train Py文件,即可实现训练。

本项目使用YOLOv3模型中的YOLOv3_mobilenet_v3_large_ssld_270e_voc。 YML培训

4.1 配置文件示例

我们使用 configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml 配置进行训练。

在 paddedetection2 0 中,模块化更好。您可以自由修改和覆盖各个模块的配置,自由组合。

配置文件结构说明

4.2 配置文件详细说明

从上图中可以看到yolov3_mobilenet_v3_large_ssld_270e_voc。 YML 配置依赖于其他配置文件。在这个例子中,你需要依赖:

在修改文件之前,先解释一下各个依赖文件的作用:

'../datasets/voc.yml'主要说明训练数据和验证数据的路径,包括数据格式(coco,voc等)

'../runtime.yml',主要描述公众的运行状态,比如是否使用GPU,迭代轮数等

'_base_/optimizer_270e.yml',主要描述学习率和优化器epochs的配置和设置。在其他训练配置中,学习率和优化器被放置在一个新的配置文件中。

'_base_/yolov3_mobilenet_v3_large.yml',主要描述模型,骨干网络

'_base_/yolov3_reader.yml',主要描述读取后的预处理操作,如resize、数据增强等。

介绍几个需要修改的地方(红线处):

.../datasets/voc.yml

基础/优化器_270e.yml

配置文件结构说明

4.3 执行力训练

执行以下命令快速训练并开始vdl录制

!python 工具/train.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml --eval --use_vdlu003dTrue --vdl_log_diru003d"./输出”

5.效果可视化:使用训练好的模型同时预测和可视化结果

当打开使用_VDL开关后,paddedetection会将训练过程中的数据写入VisualDL文件,可以实时查看训练过程中的日志。记录的数据包括:

1.亏损趋势

2.mAP变化趋势

使用以下命令启动 VisualDL 以查看日志

# 下面的命令会在127.0.0.1上启动一个服务,支持通过前端网页查看。可以通过--host参数指定实际的ip地址

visualdl --logdir 输出/

在浏览器中输入提示的网址。效果如下:

visualdl --logdir 输出/

文件“<ipython-input-68-4b7c990a0c4d>”,第 1 行

visualdl --logdir 输出/

^

SyntaxError: 无效的语法

如果上面的代码没有执行成功,可以通过左侧界面控件查看

具体操作可以查看本网站:https://my.oschina.net/u/4067628/blog/4839747(第3步)

6.模型评估

python -u 工具/eval.py -c 配置/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml \

-o 权重u003d输出/yolov3_mobilenet_v3_large_ssld_270e_voc/best_model.pdparams

!python -u 工具/eval.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml -o weightsu003doutput/yolov3_mobilenet_v3_large_ssld_270e_voc /最佳_model.pdparams

7.模型预测

执行 tools/infer py 后,会在输出文件夹中生成对应的预测结果

python 工具/infer.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml \

-o 权重u003d输出/yolov3_mobilenet_v3_large_ssld_270e_voc/best_model.pdparams \

--infer_imgu003ddataset/113.jpg(待检测图片)

!python 工具/infer.py -c configs/yolov3/yolov3_mobilenet_v3_large_ssld_270e_voc.yml -o weightsu003doutput/yolov3_mobilenet_v3_large_ssld_270e_voc/best _model.pdparams --infer_imgu003d/home/aistudio/work/xiayan2.jpg

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/tensor/creation.py:125: DeprecationWarning: `np.object`是内置 `object`的已弃用别名。要消除此警告,请单独使用 `object`。这样做不会修改任何行为并且是安全的。

在 NumPy 1.20 中已弃用;有关更多详细信息和指导:https://numpy.org/devdocs/release/1.20.0-notes.html#deprecations

如果 data.dtype u003du003d np.object:

W0611 21:05:17.302584 21170 device_context.cc:404] 请注意:设备:0,GPU 计算能力:7.0,驱动程序 API 版本:10.1,运行时 API 版本:10.1

W0611 21:05:17.307160 21170 设备_context.cc:422] 设备:0,cuDNN 版本:7.6。

[06/11 21:05:21] ppdet.utils.checkpoint INFO:完成加载模型权重:输出/yolov3_mobilenet_v3_large_ssld_270e_voc/best_model.pdparams

[06/11 21:05:21] ppdet.engine INFO: 检测 bbox 结果保存在 output/xiayan2.jpg

-结果展示

原图

预测图

总结

从上图可以看出,使用paddedetection已经完成了吸烟的目标识别和检测,mAP达到了88.51%。

优化方案

可以通过添加数据集和选择更优化的模型来增加训练次数。

逾期申请

识别后可以添加语音。如果识别到有人在吸烟,可以发出语音警告

后期可部署到非吸烟区公共场所的监控,检测吸烟等物品。

详细请看paddedetection的详细教程:

https://translate.google.com/translate?hl=en&sl=auto&tl=zh&u=https://paddledetection.readthedocs.io/tutorials/GETTING_STARTED_cn.html

关于作者

感兴趣的方向有:目标检测、分类任务等

AIstudio首页:我在AI Studio中获得白银级,点亮3个徽章相互关闭~我在AI Studio中获得黄金级,点亮7个徽章相互关闭~

https://translate.google.com/translate?hl=en&sl=auto&tl=zh&u=https://aistudio.baidu.com/aistudio/personalcenter/thirdview/474269

Github 主页:https://github.com/Niki173

欢迎大家留言提问,交流学习,共同进步,共同成长。