paddlepaddle目标检测之水果检测（yolov3_mobilenet

paddlepaddle目标检测之水果检测（yolov3_mobilenet_v1）

# 前端 2024-05-05 06:34 0 26 来源：云博客

一、创建项目

（1）进入到https://aistudio.baidu.com/aistudio/projectoverview/public

（2）创建项目

点击添加数据集：找到这两个

然后创建即可。

会生成以下项目：

二、启动环境，选择GPU版本

然后会进入到以下界面

选择的两个压缩包在/home/aistudio/data/下，先进行解压：

!unzip /home/aistudio/data/data15067/fruit.zip!unzip /home/aistudio/data/data15072/PaddleDetec.zip

之后在左边文件夹就可以看到解压后的内容了：

三、查看fruit-detection中的内容：

其实是类似pascal voc目标检测数据集的格式

（1） Annotations

以第一个apple_65.xml为例：

folder：文件夹名称

filename：图片名称

path：文件地址

size：图片的大小

object：图片中的对象名称以及其的左下角和右上角的坐标。

<annotation> <folder>train</folder> <filename>apple_65.jpg</filename> <path>C:\tensorflow1\models\research\object_detection\images\train\apple_65.jpg</path> <source> <database>Unknown</database> </source> <size> <width>800</width> <height>600</height> <depth>3</depth> </size> <segmented>0</segmented> <object> <name>apple</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>70</xmin> <ymin>25</ymin> <xmax>290</xmax> <ymax>226</ymax> </bndbox> </object> <object> <name>apple</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>35</xmin> <ymin>217</ymin> <xmax>253</xmax> <ymax>453</ymax> </bndbox> </object> <object> <name>apple</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>183</xmin> <ymin>177</ymin> <xmax>382</xmax> <ymax>411</ymax> </bndbox> </object> <object> <name>apple</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>605</xmin> <ymin>298</ymin> <xmax>787</xmax> <ymax>513</ymax> </bndbox> </object> <object> <name>apple</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>498</xmin> <ymin>370</ymin> <xmax>675</xmax> <ymax>567</ymax> </bndbox> </object> <object> <name>apple</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>333</xmin> <ymin>239</ymin> <xmax>574</xmax> <ymax>463</ymax> </bndbox> </object> <object> <name>apple</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>191</xmin> <ymin>350</ymin> <xmax>373</xmax> <ymax>543</ymax> </bndbox> </object> <object> <name>apple</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>443</xmin> <ymin>425</ymin> <xmax>655</xmax> <ymax>598</ymax> </bndbox> </object></annotation>

（2）ImageSets

里面只有一个文件夹Main，Main里面有：

分别看下是什么：

val.txt：验证集图片的名称

orange_92
banana_79
apple_94
apple_93
banana_81
banana_94
orange_77
mixed_23
orange_78
banana_85
apple_92
apple_79
apple_84
orange_83
apple_85
mixed_21
orange_91
orange_89
banana_80
apple_78
banana_93
mixed_22
orange_94
apple_83
banana_90
apple_77
orange_79
apple_81
orange_86
orange_95
banana_88
orange_85
orange_80
apple_80
apple_82
mixed_25
apple_88
banana_83
banana_77
banana_84
banana_92
banana_86
apple_87
orange_84
banana_78
orange_93
orange_90
banana_89
orange_82
apple_90
apple_95
banana_82
banana_91
mixed_24
banana_87
apple_91
orange_81
apple_89
apple_86
orange_87

train.txt：训练集图片的名称，这里就不贴了，有点长，与验证集类似

label_list.txt：类别名称

apple
banana
orange

也就是说，水果分类检测目前只是识别三类。

（3） JPEGImages：存储的就是实际的图片了

找一下apple_65.jpg看看

就是这个样子的

（4） create_list.py、label_list.txt、train.txt、val.txt

import osimport os.path as ospimport reimport randomdevkit_dir = ‘./‘years = [‘2007‘, ‘2012‘]def get_dir(devkit_dir, type): return osp.join(devkit_dir, type)def walk_dir(devkit_dir): filelist_dir = get_dir(devkit_dir, ‘ImageSets/Main‘) annotation_dir = get_dir(devkit_dir, ‘Annotations‘) img_dir = get_dir(devkit_dir, ‘JPEGImages‘) trainval_list = [] test_list = [] added = set() for _, _, files in os.walk(filelist_dir): for fname in files: img_ann_list = [] if re.match(‘train\.txt‘, fname): img_ann_list = trainval_list elif re.match(‘val\.txt‘, fname): img_ann_list = test_list else: continue fpath = osp.join(filelist_dir, fname) for line in open(fpath): name_prefix = line.strip().split()[0] if name_prefix in added: continue added.add(name_prefix) ann_path = osp.join(annotation_dir, name_prefix + ‘.xml‘) img_path = osp.join(img_dir, name_prefix + ‘.jpg‘) assert os.path.isfile(ann_path), ‘file %s not found.‘ % ann_path assert os.path.isfile(img_path), ‘file %s not found.‘ % img_path img_ann_list.append((img_path, ann_path)) return trainval_list, test_listdef prepare_filelist(devkit_dir, output_dir): trainval_list = [] test_list = [] trainval, test = walk_dir(devkit_dir) trainval_list.extend(trainval) test_list.extend(test) random.shuffle(trainval_list) with open(osp.join(output_dir, ‘train.txt‘), ‘w‘) as ftrainval: for item in trainval_list: ftrainval.write(item[0] + ‘ ‘ + item[1] + ‘\n‘) with open(osp.join(output_dir, ‘val.txt‘), ‘w‘) as ftest: for item in test_list: ftest.write(item[0] + ‘ ‘ + item[1] + ‘\n‘)if __name__ == ‘__main__‘: prepare_filelist(devkit_dir, ‘.‘)

将标注信息转换为列表进行存储。

label_list.txt：还是那三种类别

train.txt：./JPEGImages/mixed_20.jpg ./Annotations/mixed_20.xml等一系列路径

val.txt：./JPEGImages/orange_92.jpg ./Annotations/orange_92.xml等一系列路径

至此fruit-dections中的内容就是这么多了。

四、查看PaddleDetection中的内容

（1） configs

各种网络的配置文件

找到yolov3_mobilenet_v1_fruit.yml看看

architecture: YOLOv3train_feed: YoloTrainFeedeval_feed: YoloEvalFeedtest_feed: YoloTestFeeduse_gpu: truemax_iters: 20000log_smooth_window: 20save_dir: outputsnapshot_iter: 200metric: VOCmap_type: 11pointpretrain_weights: https://paddlemodels.bj.bcebos.com/object_detection/yolov3_mobilenet_v1.tarweights: output/yolov3_mobilenet_v1_fruit/best_model num_classes: 3finetune_exclude_pretrained_params: [‘yolo_output‘]YOLOv3: backbone: MobileNet yolo_head: YOLOv3HeadMobileNet: norm_type: sync_bn norm_decay: 0. conv_group_scale: 1 with_extra_blocks: falseYOLOv3Head: anchor_masks: [[6, 7, 8], [3, 4, 5], [0, 1, 2]] anchors: [[10, 13], [16, 30], [33, 23], [30, 61], [62, 45], [59, 119], [116, 90], [156, 198], [373, 326]] norm_decay: 0. ignore_thresh: 0.7 label_smooth: true nms: background_label: -1 keep_top_k: 100 nms_threshold: 0.45 nms_top_k: 1000 normalized: false score_threshold: 0.01LearningRate: base_lr: 0.00001 schedulers: - !PiecewiseDecay gamma: 0.1 milestones: - 15000 - 18000 - !LinearWarmup start_factor: 0. steps: 100OptimizerBuilder: optimizer: momentum: 0.9 type: Momentum regularizer: factor: 0.0005 type: L2YoloTrainFeed: batch_size: 1 dataset: dataset_dir: dataset/fruit annotation: fruit-detection/train.txt use_default_label: false num_workers: 16 bufsize: 128 use_process: true mixup_epoch: -1 sample_transforms: - !DecodeImage to_rgb: true with_mixup: false - !NormalizeBox {} - !ExpandImage max_ratio: 4.0 mean: [123.675, 116.28, 103.53] prob: 0.5 - !RandomInterpImage max_size: 0 target_size: 608 - !RandomFlipImage is_mask_flip: false is_normalized: true prob: 0.5 - !NormalizeImage is_channel_first: false is_scale: true mean: - 0.485 - 0.456 - 0.406 std: - 0.229 - 0.224 - 0.225 - !Permute channel_first: true to_bgr: false batch_transforms: - !RandomShape sizes: [608]  with_background: falseYoloEvalFeed: batch_size: 1 image_shape: [3, 608, 608] dataset: dataset_dir: dataset/fruit annotation: fruit-detection/val.txt use_default_label: false YoloTestFeed: batch_size: 1 image_shape: [3, 608, 608] dataset: dataset_dir: dataset/fruit
 annotation: fruit-detection/label_list.txt use_default_label: false

注意标红的地方即可。

（2）contrib

行人检测和车辆检测？暂时不用管

（3）dataset：各文件夹下有py文件，用于下载数据集的

（4）demo：用于检测结果的示例图片。

（5）docs：

（6）inference：用于推断的‘？

（7） ppdet：paddlepaddle检测相关文件

（8） requirements.txt：所需的一些依赖

tqdmdocstring_parser @ http://github.com/willthefrog/docstring_parser/tarball/mastertypeguard ; python_version >= ‘3.4‘tb-paddletb-nightly

（9）slim：应该是用于压缩模型的

（10） tools：工具

五、进行训练

训练的代码在tools中的train.py

进入到PaddleDection目录下

在终端输入：python -u tools/train.py -c configs/yolov3_mobilenet_v1_fruit.yml --use_tb=True -- eval

如果发现错误No module named ppdet，在train.py中加入

import sys

sys.path.append("/home/aistudio/PaddleDection")即可

最后卡在了这，不过应该是训练完了，在PaddleDection目录下可以看到output文件夹：

里面有一个迭代时产生的权重信息：

六、进行测试一张图片

python -u tools/infer.py -c configs/yolov3_mobilenet_v1_fruit.yml -o weights=/home/aisudio/PaddleDetection/output/yolov3_mobilenet_v1_fruit/model_final --infer_img=demo/orange_71.jpg

会报错没有相关包，输入以下命令安装：

pip install docstring_parser

pip install pycocotools

之后：