Skip to main content

模型标注,训练,检测

yolov5 是一个优秀的开源目标检测模型.

我们在aslib中集成了它, 版本为 yolov5s-3.0

模型训练分为两个步骤:

    1. 数据集标注
    1. 训练

接下来,我们通过文档的形式,详细来了解如何完成这两个步骤.

数据集格式​

如果您使用AS提供的标注工具,标注后将自动生成如下格式的数据包.

数据集格式必须如下
  • 如果您想通过AS服务器 或者 AS提供的镜像 训练模型

那么数据集必须包含以下3个部分(images,labels,tag.txt)

  • images 用于存放图片
 > images下图片格式没有要求, jpg,jpeg,png 都可以
 > 文件名称:无要求
  • labels 用于存放 图片对应的标签,格式如下:
0 0.30974264705882354 0.52625 0.07169117647058823 0.09
1 0.7256433823529411 0.453125 0.4163602941176471 0.11291666666666667
  • tags 用于存放标签名称列表
nc: 5
names: ["小人","方块","圆形","唱片机","杯子"]

如图:

Alt text

标注​

打开WEB编辑器 - 工具栏 - yolo目标检测 -标注训练

Alt text

创建标注集​

Alt text

截屏/上传存入标注库​

Alt text

打标签​

理论来讲, 在数据集中图片越多,训练的结果识别效果越好.

因此我们尽可能的要在不同的图片中多打标签.

同一个目标,用相同的标签名称即可.

Alt text

疯狂打标签​

图片越多越好,搞多多滴

Alt text

导出标注集​

标注工具 - 工具栏 - 导出并训练

按照这个步骤操作,你会得到 一个 cnp文件(数据集的压缩包)

Alt text

训练​

训练分为两种模式

AirScript 提供的云服务训练

自建服务器训练

AS服务器训练​

前往 开发者后台 新增模型训练

填写信息,上传cnp数据集,点击提交.等待训练结果.

Alt text

等待训练成功,即可加载使用了(50图左右,需训练30分钟左右)

Alt text

训练完成后加载​

from ascript.android.screen import YoLov5
# 注意,这里的 ‘微信跳一跳’就是训练的模型名称,1.5是模型的版本(需替换成你自己的模型与版本)
# 创建Yolov5 并加载模型文件
yolo = YoLov5("微信跳一跳:1.5")

while True:
    res = yolo.find_all()
    for r in res:
        print(r.label) # 目标名称
        print(r.prob) # 可信度
        print(r.x) # 坐标x
        print(r.y) # 坐标y
        print(r.w) # 目标宽度
        print(r.h) # 目标高度

大数据集训练(自建服务器)​

大数据集,一般只1000张图以上的数据集.

这时候我AS的服务器训练会比较慢,各位开发者可以自行搭建服务器.

AS 提供 阿里云训练镜像给各位开发者.

1.获取镜像文件

"您需要先获得阿里云的账号ID,然后联系我们的客服企业微信,进行分享."

Alt text

客服企业微信

Alt text

  1. 根据服务器镜像,创建 实例.

Alt text

  1. 模型训练服务器使用前准备

#从宿主机进入到模型训练容器
[root@test ~]# docker exec -ite8d4e63b8c6d /bin/bash

#启动cron服务
[root@e8d4e63b8c6d:/usr/src/app# /etc/init.d/cron start
* Starting periodic command scheduler cron

#返回宿主机
[root@e8d4e63b8c6d:/usr/src/app# exit
 exit

#从宿主机进入到模型转换容器
[root@test ~]# docker exec -it 618381dfd1a9 /bin/bash

#启动cron服务
[root@618381dfd1a9:/usr/src/app# /etc/init.d/cron start
 * Starting periodic command scheduler cron

#返回宿主机
[root@618381dfd1a9:/usr/src/app# exit
exit
[root@test ~]#
  1. 进入管理后台,开始上传训练