一、项目背景

本项目基于paddlex实现目标检测。

效果如图

下载版本小于2.0.0的paddlex

!pip install "paddlex<2.0.0" -i https://mirror.baidu.com/pypi/simple

定义参数

#config
val_radio=0.2
train_list='data/train_list.txt'
val_list='data/val_list.txt'
label_list='data/labels.txt'
data_dir='data'
num_epochs=20
train_batch_size=16
learning_rate=0.000125
lr_decay_epochs=[210, 240]
save_interval_epochs=10

载入所需库

import paddlex as pdx
from paddlex.det import transforms
import linecache
import random

二、数据集介绍

本项目使用的数据集为VOC2012数据集，其中标签有aeroplane，bicycle，bird，boat，bottle，bus，car，cat，chair，cow，diningtable，dog，horse，motorbike，person，pottedplant，sheep，sofa，train，tvmonitor。

解压数据集并将数据集放入data目录

!unzip /home/aistudio/data/data105732/VOC2012.zip
!mv Annotations data
!mv JPEGImages data
!mv train_list.txt data
!mv labels.txt data

将数据集划分为训练集和验证集

!paddlex --split_dataset --format VOC --dataset_dir data --val_value 0.2

对数据预处理

train_transforms = transforms.Compose([transforms.MixupImage(mixup_epoch=250),transforms.RandomDistort(),transforms.RandomExpand(),transforms.RandomCrop(),transforms.Resize(target_size=608, interp='RANDOM'),transforms.RandomHorizontalFlip(),transforms.Normalize(),
])
eval_transforms = transforms.Compose([transforms.Resize(target_size=608, interp='CUBIC'),transforms.Normalize(),
])

数据载入

train_dataset = pdx.datasets.VOCDetection(data_dir=data_dir,file_list=train_list,label_list=label_list,transforms=train_transforms,shuffle=True)
eval_dataset = pdx.datasets.VOCDetection(data_dir=data_dir,file_list=val_list,label_list=label_list,transforms=eval_transforms)

三、模型组网和训练

num_classes = len(train_dataset.labels)
model = pdx.det.YOLOv3(num_classes=num_classes, backbone='DarkNet53')
model.train(num_epochs=num_epochs,train_dataset=train_dataset,train_batch_size=train_batch_size,eval_dataset=eval_dataset,learning_rate=learning_rate,lr_decay_epochs=lr_decay_epochs,save_interval_epochs=save_interval_epochs,save_dir='output/yolov3_darknet53',use_vdl=True)

四、模型预测

model = pdx.load_model('output/yolov3_darknet53/best_model')
image_name = 'work/plane.jpg'
result = model.predict(image_name)
pdx.det.visualize(image_name, result, threshold=0.5, save_dir='./output/yolov3_darknet53')

五、自我介绍

太原理工大学软件学院软件工程专业 2020级本科生王志洲

AIstudio地址链接：https://aistudio.baidu.com/aistudio/personalcenter/thirdview/559770

码云地址链接：https://gitee.com/wang-zhizhou_1

本项目基于paddlex实现目标检测相关推荐

从零开始PyTorch项目：YOLO v3目标检测实现
从零开始PyTorch项目:YOLO v3目标检测实现目标检测是深度学习近期发展过程中受益最多的领域.随着技术的进步,人们已经开发出了很多用于目标检测的算法,包括 YOLO.SSD.Mask RCN ...
高效！Anchor DETR：旷视提出一种基于Transformer的目标检测神器！
点上方计算机视觉联盟获取更多干货仅作学术分享,不代表本公众号立场,侵权联系删除转载于:Sophia知乎 https://zhuanlan.zhihu.com/p/412738375 985人工智能 ...
基于YOLOv4的目标检测系统（附MATLAB代码+GUI实现）
摘要:本文介绍了一种MATLAB实现的目标检测系统代码,采用 YOLOv4 检测网络作为核心模型,用于训练和检测各种任务下的目标,并在GUI界面中对各种目标检测结果可视化.文章详细介绍了YOLOv4的 ...
基于YOLOv5的目标检测系统详解（附MATLAB GUI版代码）
摘要:本文重点介绍了基于YOLOv5目标检测系统的MATLAB实现,用于智能检测物体种类并记录和保存结果,对各种物体检测结果可视化,提高目标识别的便捷性和准确性.本文详细阐述了目标检测系统的原理,并给 ...
基于ppyoloe-sod海星目标检测
0 赛事背景说明澳大利亚令人惊叹的美丽大堡礁是世界上最大的珊瑚礁,拥有 1,500 种鱼类.400 种珊瑚.130 种鲨鱼.鳐鱼和种类繁多的其他海洋生物. 不幸的是,珊瑚礁正受到威胁,部分原因是一种 ...
10分钟内基于gpu的目标检测
10分钟内基于gpu的目标检测 Object Detection on GPUs in 10 Minutes 目标检测仍然是自动驾驶和智能视频分析等应用的主要驱动力.目标检测应用程序需要使用大量数据集 ...
基于YOLO的目标检测界面化部署实现（支持yolov1-yolov5、yolop、yolox）
基于YOLO的目标检测界面化部署实现(支持yolov1-yolov5.yolop.yolox) 代码下载地址:下载地址安装操作系统:Win10.Win7.Ubuntu16.04(其他操作系统没有测 ...
深度神经网络在基于视觉的目标检测中的应用
简介: 目标检测是计算机视觉的一个重要应用方向,深度神经网络的提出极大地帮助基于视觉的目标检测提高了准确度.自2014年以来,深度神经网络在基于视觉的目标检测中被广泛应用,出现了多种算法.本文分别讨 ...
matlab基于ssd的角点匹配_基于关键点的目标检测
0 1 前言:基于锚点的目标检测方法在基于关键点(key points)的目标检测方法出现之前,主流目标检测方法一般先设置一些预先定义好的锚点 (anchor boxes). 作为预测物体框的参考 ...
MATLAB基于形态学的目标检测（一）简单图形统计
(目标检测)MATLAB基于形态学的目标检测(一)简单图形统计一.生成测试图像二.连通区域目标统计三.结合形态学总结 by HPC_ZY 本文主要介绍二值形态学在目标检测上的用法, 就不讲形态 ...

本项目基于paddlex实现目标检测

一、项目背景

效果如图

下载版本小于2.0.0的paddlex

定义参数

载入所需库

二、数据集介绍

解压数据集并将数据集放入data目录

将数据集划分为训练集和验证集

对数据预处理

数据载入

三、模型组网和训练

四、模型预测

五、自我介绍

本项目基于paddlex实现目标检测相关推荐

最新文章

热门文章