文章目录
- 数据收集和数据标注
- 查看标注好的数据的脚本
- 下载yolov5
- 创建 dataset.yaml
- 训练参数
- 开始训练
- yolov5n训练
- 训练后的权重下载
- gradio部署
数据收集和数据标注
搜集数据集2w张。
pip install labelme
labelme
然后标注矩形框和类别。
下载数据请看这里：
https://qq742971636.blog.csdn.net/article/details/137999662
三个标签，各个标签的数量：
火焰框28852个
烟雾框26716个
其他红旗71个框
查看标注好的数据的脚本
输入图片路径和标签路径可以一张一张浏览照片：
import os
import cv2
import numpy as np
# 图像和标签文件夹路径
image_folder = r'F:\BaiduNetdiskDownload\fireandsmoke_last\fireandsmoke_last\images_choose'
label_folder = r'F:\BaiduNetdiskDownload\fireandsmoke_last\fireandsmoke_last\labels'
# 定义类别颜色（这里假设有两个类别，你可以根据实际情况扩展）
class_colors = [(0, 255, 0), (0, 0, 255), (255, 0, 0)]
class_name = ['fire', 'smoke']
# 获取文件夹中的所有图像文件
image_files = [f for f in os.listdir(image_folder) if f.endswith('.jpg') or f.endswith('.png')]
# 遍历图像文件
for image_file in image_files:
image_path = os.path.join(image_folder, image_file)
label_path = os.path.join(label_folder, os.path.splitext(image_file)[0] + '.txt')
# 检查是否存在标签文件
if os.path.exists(label_path):
# 读取图像
image = cv2.imread(image_path)
# 读取标签内容
with open(label_path, 'r') as file:
lines = file.readlines()
class_id_all = []
# 遍历标签行
for line in lines:
values = line.split()
class_id = int(values[0])
x_center = float(values[1]) * image.shape[1]
y_center = float(values[2]) * image.shape[0]
width = float(values[3]) * image.shape[1]
height = float(values[4]) * image.shape[0]
# 计算边界框的左上角和右下角坐标
x1 = int(x_center - width / 2)
y1 = int(y_center - height / 2)
x2 = int(x_center + width / 2)
y2 = int(y_center + height / 2)
# 获取当前类别的颜色
color = class_colors[class_id]
# 在图像上绘制矩形框和类别标签数字
cv2.rectangle(image, (x1, y1), (x2, y2), color, 2)
cv2.putText(image, class_name[class_id], (x1, y1 + 15), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)
class_id_all.append(class_id)
# if 2 not in class_id_all:
# continue
# 等比缩放到最长边为800
max_size = 800
if image.shape[0] > image.shape[1]:
scale = max_size / image.shape[0]
else:
scale = max_size / image.shape[1]
image = cv2.resize(image, (int(image.shape[1] * scale), int(image.shape[0] * scale)))
# 显示图像
cv2.imshow('Image', image)
# 等待按键输入，按下任意键跳到下一张图
cv2.waitKey(0)
cv2.destroyAllWindows()
比如：
下载yolov5
下载yolov5
git clone https://github.com/ultralytics/yolov5.git
cd yolov5/
创建环境：
conda create -n py310_yolov5 python=3.10 -y
conda activate py310_yolov5
装一个可以用的torch：
# CUDA 11.8
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=11.8 -c pytorch -c nvidia
取消这2个：
然后安装一些别的包：
pip install -r requirements.txt # install
随后更多内容参考官网这里的训练指导：
https://docs.ultralytics.com/zh/yolov5/tutorials/train_custom_data/#before-you-start
创建 dataset.yaml
创建文件：
cd yolov5/data
cp coco128.yaml fire_smoke.yaml
将fire_smoke.yaml修改为这样：
path: /ssd/xiedong/fireandsmoke_last/
train: images
val: images
test: # test images (optional)
# Classes
names:
0: fire
1: smoke
2: other
训练参数
使用python train.py --help查看训练参数：
# python train.py --help
警告 ⚠️ Ultralytics 设置已重置为默认值。这可能是由于您的设置存在问题或最近 Ultralytics 包更新导致的。
使用 'yolo settings' 命令或查看 '/home/xiedong/.config/Ultralytics/settings.yaml' 文件来查看设置。
使用 'yolo settings key=value' 命令来更新设置，例如 'yolo settings runs_dir=path/to/dir'。更多帮助请参考 https://docs.ultralytics.com/quickstart/#ultralytics-settings。
用法: train.py [-h] [--weights WEIGHTS] [--cfg CFG] [--data DATA] [--hyp HYP] [--epochs EPOCHS] [--batch-size BATCH_SIZE] [--imgsz IMGSZ] [--rect] [--resume [RESUME]]
[--nosave] [--noval] [--noautoanchor] [--noplots] [--evolve [EVOLVE]] [--evolve_population EVOLVE_POPULATION] [--resume_evolve RESUME_EVOLVE]
[--bucket BUCKET] [--cache [CACHE]] [--image-weights] [--device DEVICE] [--multi-scale] [--single-cls] [--optimizer {SGD,Adam,AdamW}] [--sync-bn]
[--workers WORKERS] [--project PROJECT] [--name NAME] [--exist-ok] [--quad] [--cos-lr] [--label-smoothing LABEL_SMOOTHING] [--patience PATIENCE]
[--freeze FREEZE [FREEZE ...]] [--save-period SAVE_PERIOD] [--seed SEED] [--local_rank LOCAL_RANK] [--entity ENTITY] [--upload_dataset [UPLOAD_DATASET]]
[--bbox_interval BBOX_INTERVAL] [--artifact_alias ARTIFACT_ALIAS] [--ndjson-console] [--ndjson-file]
选项:
-h, --help 显示帮助信息并退出
--weights WEIGHTS 初始权重路径
--cfg CFG 模型配置文件路径
--data DATA 数据集配置文件路径
--hyp HYP 超参数路径
--epochs EPOCHS 总训练轮数
--batch-size BATCH_SIZE
所有 GPU 的总批量大小，-1 表示自动批处理
--imgsz IMGSZ, --img IMGSZ, --img-size IMGSZ
训练、验证图像大小（像素）
--rect 矩形训练
--resume [RESUME] 恢复最近的训练
--nosave 仅保存最终检查点
--noval 仅验证最终轮次
--noautoanchor 禁用 AutoAnchor
--noplots 不保存绘图文件
--evolve [EVOLVE] 为 x 代演进超参数
--evolve_population EVOLVE_POPULATION
加载种群的位置
--resume_evolve RESUME_EVOLVE
从上一代演进恢复
--bucket BUCKET gsutil 存储桶
--cache [CACHE] 图像缓存 ram/disk
--image-weights 在训练时使用加权图像选择
--device DEVICE cuda 设备，例如 0 或 0,1,2,3 或 cpu
--multi-scale 图像大小变化范围为 +/- 50%
--single-cls 将多类数据作为单类训练
--optimizer {SGD,Adam,AdamW}
优化器
--sync-bn 使用 SyncBatchNorm，仅在 DDP 模式下可用
--workers WORKERS 最大数据加载器工作进程数（每个 DDP 模式中的 RANK）
--project PROJECT 保存到项目/名称
--name NAME 保存到项目/名称
--exist-ok 存在的项目/名称正常，不增加
--quad 四通道数据加载器
--cos-lr 余弦学习率调度器
--label-smoothing LABEL_SMOOTHING
标签平滑 epsilon
--patience PATIENCE EarlyStopping 耐心（未改善的轮次）
--freeze FREEZE [FREEZE ...]
冻结层：backbone=10, first3=0 1 2
--save-period SAVE_PERIOD
每 x 轮保存检查点（如果 < 1 则禁用）
--seed SEED 全局训练种子
--local_rank LOCAL_RANK
自动 DDP 多 GPU 参数，不要修改
--entity ENTITY 实体
--upload_dataset [UPLOAD_DATASET]
上传数据，"val" 选项
--bbox_interval BBOX_INTERVAL
设置边界框图像记录间隔
--artifact_alias ARTIFACT_ALIAS
要使用的数据集 artifact 版本
--ndjson-console 将 ndjson 记录到控制台
--ndjson-file 将 ndjson 记录到文件
开始训练
多卡训练：
python -m torch.distributed.run --nproc_per_node 4 train.py --weights yolov5m.pt --data fire_smoke.yaml --batch-size 300 --epochs 50 --img 640 --sync-bn --name fm0423 --cos-lr --device 0,1,2,3
正常启动训练：
少量图片损坏不用管：
我的数据集很难，是野外数据，可见刚开始指标并不好：
训练结束：
yolov5n训练
多卡训练：
python -m torch.distributed.run --nproc_per_node 4 train.py --weights yolov5n.pt --data fire_smoke.yaml --batch-size 1200 --epochs 50 --img 640 --sync-bn --name fm0423_yolov5n_ --cos-lr --device 0,1,2,3
模型太小，yolov5n的效果欠佳了：
训练后的权重下载
yolov5m的训练结果文件：
yolov5n的训练结果文件：
权重下载请看这里：
https://docs.qq.com/sheet/DUEdqZ2lmbmR6UVdU?tab=BB08J2
gradio部署
import gradio as gr
import time
import torch
from PIL import Image
def detect_objects(img):
time1 = time.time()
# Run inference
results = model(img)
time2 = time.time()
print(f"Time taken for inference: {time2 - time1:.2f} seconds")
# Print JSON
print(results.pandas().xyxy[0].to_json(orient="records"))
results.render()
im_pil = Image.fromarray(results.ims[0])
return im_pil
# Model loading
model = torch.hub.load('/data/xiedong/eff_train/yolov5-master',
'custom',
path='./best.pt',
source='local',
device='cuda:0',
force_reload=True)
inputs = gr.Image(label="Input Image", type="pil")
outputs = gr.Image(label="Output Image with Detections", type="pil")
title = "Object Detection App"
description = "Upload an image, and the app will detect objects in the image."
# examples = ["ok.jpg"]
# 当前目录的jpg文件
import os
files = os.listdir()
examples = [f for f in files if f.endswith(".jpg")]
gr.Interface(detect_objects, inputs, outputs, title=title, description=description, examples=examples).launch(
server_name="0.0.0.0", server_port=7873)
部署后打开网页即可尝试：
![[C++ QT项目实战]----C++ QT系统实现多线程通信](https://img-blog.csdnimg.cn/direct/b36e7982a93248a8bd9df00b1e5c5c3c.png)
