YOLO5 旋转模型图片标注及训练

使用工具

图片获取工具—— opencv_display.py
图片标注工具—— rolabelimg
标注转换工具—— roxml_to_dota.py
模型训练代码—— YOLOv5_DOTA_OBB

图片标注

获取图片
新建文件夹，用来保存物体图片。图片要求：图片必须为方形（长、宽相等）、图片为 .png 格式。
下载图片获取工具 opencv_display.py 。
修改 opencv_display.py 文件，主要修改起止点坐标以及图片保存目录，具体修改步骤参考视频 获取图片 。
执行代码：
```
roslaunch kinect2_bridge kinect2_bridge.launch
# 打开新终端
conda activate YOLO
python opencv_display.py
```
如果图片区域内没有要检测的物体，关闭代码重复调整脚本内容，使视野内有物体，在图片显示区域按动键盘 s 键实现图片获取工作。图片获取完成后，按ctrl + c 关闭代码。
图片标注
在 rolabel 虚拟环境下跳转到 ~/Public/roLabelImg 目录下，运行 roLabelImg.py 文件进行图片标注。
```
conda activate rolabel
cd
cd Public/roLabelImg/
# 使用前可修改 data/predefined_classes.txt 文件修改要标注的物体类别。
python roLabelImg.py
```
标注工具界面如下：

点击界面左侧open dir 按钮，打开保存图片的文件夹。
点击界面的 Create RotatedRBox 按钮进行旋转标注，拖动鼠标放置标注框，鼠标左击标注框四角的点进行拖动可调整标注框的大小，鼠标右击标注框四角的点进行拖动可调整标注框的旋转角度，标注完成后点击save 键进行保存，重复以上步骤，完成所有图片的标注，保存时把所有的标注文件保存在同一个文件夹。标注过程参考视频 标注图片。

标注处理

下载训练模型文件。
下载 YOLOv5_DOTA_OBB 代码到本地，解压文件夹到合适的目录，建议解压到 Documents 目录下。
下载标注转换工具 roxml_to_dota.py。
在脚本第123行修改 dir 变量，修改为存放标签的文件夹路径，保存，运行该脚本，会在原来的标注文件夹生成 TXT 格式的标注文件。过程参考视频 标注处理_01。
复制图片文件以及标注文件。
跳转到目录 YOLOv5_DOTA_OBB/DOTA_devkit_YOLO-master 文件夹下，修改文件 dota_utils.py，第18行，修改 classnames_v1_5 内容为物体标注类别，注意类别顺序。
复制物体图片到 YOLOv5_DOTA_OBB/DOTA_devkit_YOLO-master/DOTA_demo/images 文件夹下，将上个步骤生成的 TXT格式的标注文件复制到 YOLOv5_DOTA_OBB/DOTA_devkit_YOLO-master/DOTA_demo/labelTxt 文件夹下。文件复制完成之后，运行 YOLOv5_DOTA_OBB/DOTA_devkit_YOLO-master/YOLO_Transform.py 文件，运行完成之后会在 YOLOv5_DOTA_OBB/DOTA_devkit_YOLO-master/DOTA_demo/yolo_labels 文件夹下生成新的标注文件。具体步骤参考视频 标注处理_02。

模型训练

复制图片到对应的路径。
跳转路径到刚才解压的文件夹下，将图片复制到 ./DOTA_demo_view/images 文件夹下，将YOLOv5_DOTA_OBB/DOTA_devkit_YOLO-master/DOTA_demo/yolo_labels 文件夹下新生成的标注文件复制到 ./DOTA_demo_view/labels 文件夹下。
修改文件 ./data/DOTA_ROTATED.yaml ，修改 nc 为标签类别的数量，name 为标签类别信息，注意标签类别顺序。

开始训练
修改 train.py 文件，第652行，将default=[600, 600] 修改为自己图片的分辨率。之后开始训练。如果报显存溢出的错误，可以尝试调整batch-size 以及 device 的值消除报错。

conda activate YOLO
# 安装 swig
cd  \.....\yolov5_DOTA_OBB\utils
sudo apt-get install swig
# 生成 python 库， 该步骤仅执行一次，以后不需要重复执行
swig -c++ -python polyiou.i
python setup.py build_ext --inplace
# 开始训练
cd ..
python train.py

复制训练好的权重文件。
训练完成后，终端会输出生成的权重以及权重目录，具体输出如图：

等待训练完成，将训练好的权重文件（best.pt）复制到目录 /home/ts/catkin_ws/src/yolo_detection/src/YOLO/pick/下。

YOLO5 旋转模型图片标注及训练相关推荐

AI 图片截取、ffmpeg使用及安装, anaconda环境，图片标注(labelme)，模型训练(yolov5)，CUDA+Pytorch安装及版本相关问题
AI 图片截取(ffmpeg), anaconda环境,图片标注(labelme),模型训练(yolov5),CUDA+Pytorch安装及版本相关问题一.截取有效图片录制RTSP视频脚本 #!/ ...
13亿参数，无标注预训练实现SOTA：Facebook提出自监督CV新模型
作者|陈萍来源|机器之心 Facebook AI 用 10 亿张来自Instagram的随机.未标注图像预训练了一个参数量达 13 亿的自监督模型 SEER,该模型取得了自监督视觉模型的新 SOTA ...
用yolo3训练自己的数据集(包含数据搜集,图片标注,图片批量命名以及如何修改代码)——口罩佩戴以及规范佩戴口罩检验
用yolo3训练自己的数据集--口罩佩戴及规范性佩戴检验前言 1. 数据集处理 1.1 数据搜集(多途径) 1.2 自己制作数据集 2.图片标注 2.1 图片批量命名 2.2 使用labelimg进 ...
（二）目标检测模型的评测与训练技巧
转载自知乎:https://zhuanlan.zhihu.com/p/34142321 关于作者: @李家丞同济大学数学系本科在读,现为格灵深瞳算法部实习生. -------------------- ...
“智能”基石：人工智能数据标注与训练，是决定智能时代的第一步
记者 | 邓晓娟 2021年5月20日~23日,由深圳市科学技术协会.深圳市商务局.深圳市福田区人民政府共同指导,深圳市科技开发交流中心.深圳市人工智能行业协会联合主办的2021第二届深圳国际人工智能 ...
环境搭建、标注、训练、推断，超详细的目标检测开发流程
点击我爱计算机视觉标星,更快获取CVML新技术本文转载自飞桨PaddlePaddle.基于PaddleDetection,详细描述了一个完整目标检测项目流程,非常值得收藏. [飞桨开发者说]:余志良 ...
如何写一个游戏AI（三）0-9手写数字图片识别AI训练
接上回书,那么如何写一个入门的简单AI训练(0-9)数字图片试别AI.本文的程序,配合我训练的模型试别准确率只有98.8%,不过也是算是给我开辟了新的知识面. 1.为什么使用卷积神经网络原因有二:1 ...
目标检测之YOLO模型数据生成及训练
目录 1.数据准备 2.将视频切成图片 3.标注工具标图输出xml文件 4.转换文件格式 1)去除未标注的图片 2)xml文件格式转换 3)图片和txt文件汇总成训练文件 4)在darknet/scr ...
借助numpy.rot90实现图片顺时针旋转90°，旋转后图片没有黑边
返回numpy 类型图片, numpy 通道是 "BGR" import cv2 import glob import numpy as np from PIL import Im ...

YOLO5 旋转模型图片标注及训练

YOLO5 旋转模型图片标注及训练

使用工具

图片标注

标注处理

模型训练

YOLO5 旋转模型图片标注及训练相关推荐

最新文章

热门文章