python 通过使用Yolact训练数据集


Posted in Python onApril 06, 2021

可能是由于yolact官方更新过其项目代码,所以网上其他人的yolact训练使用的config文件和我的稍微有区别。但总体还是差不多的。

1:提前准备好自己的数据集

使用labelme来制作分割数据集,但是得到的是一个个单独的json文件。需要将其转换成coco。
labelme2coco.py如下所示(代码来源:github):

import os
import json
import numpy as np
import glob
import shutil
from sklearn.model_selection import train_test_split
np.random.seed(41)

#0为背景,此处根据你数据集的类别来修改key
classname_to_id = {"1": 1}

class Lableme2CoCo:

 def __init__(self):
  self.images = []
  self.annotations = []
  self.categories = []
  self.img_id = 0
  self.ann_id = 0

 def save_coco_json(self, instance, save_path):
  json.dump(instance, open(save_path, 'w', encoding='utf-8'), ensure_ascii=False, indent=1) # indent=2 更加美观显示

 # 由json文件构建COCO
 def to_coco(self, json_path_list):
  self._init_categories()
  for json_path in json_path_list:
   obj = self.read_jsonfile(json_path)
   self.images.append(self._image(obj, json_path))
   shapes = obj['shapes']
   for shape in shapes:
    annotation = self._annotation(shape)
    self.annotations.append(annotation)
    self.ann_id += 1
   self.img_id += 1
  instance = {}
  instance['info'] = 'spytensor created'
  instance['license'] = ['license']
  instance['images'] = self.images
  instance['annotations'] = self.annotations
  instance['categories'] = self.categories
  return instance

 # 构建类别
 def _init_categories(self):
  for k, v in classname_to_id.items():
   category = {}
   category['id'] = v
   category['name'] = k
   self.categories.append(category)

 # 构建COCO的image字段
 def _image(self, obj, path):
  image = {}
  from labelme import utils
  img_x = utils.img_b64_to_arr(obj['imageData'])
  h, w = img_x.shape[:-1]
  image['height'] = h
  image['width'] = w
  image['id'] = self.img_id
  image['file_name'] = os.path.basename(path).replace(".json", ".jpg")
  return image

 # 构建COCO的annotation字段
 def _annotation(self, shape):
  label = shape['label']
  points = shape['points']
  annotation = {}
  annotation['id'] = self.ann_id
  annotation['image_id'] = self.img_id
  annotation['category_id'] = int(classname_to_id[label])
  annotation['segmentation'] = [np.asarray(points).flatten().tolist()]
  annotation['bbox'] = self._get_box(points)
  annotation['iscrowd'] = 0
  annotation['area'] = 1.0
  return annotation

 # 读取json文件,返回一个json对象
 def read_jsonfile(self, path):
  with open(path, "r", encoding='utf-8') as f:
   return json.load(f)

 # COCO的格式: [x1,y1,w,h] 对应COCO的bbox格式
 def _get_box(self, points):
  min_x = min_y = np.inf
  max_x = max_y = 0
  for x, y in points:
   min_x = min(min_x, x)
   min_y = min(min_y, y)
   max_x = max(max_x, x)
   max_y = max(max_y, y)
  return [min_x, min_y, max_x - min_x, max_y - min_y]


if __name__ == '__main__':
 labelme_path = "labelme/" # 此处根据你的数据集地址来修改
 saved_coco_path = "./"
 # 创建文件
 if not os.path.exists("%scoco/annotations/"%saved_coco_path):
  os.makedirs("%scoco/annotations/"%saved_coco_path)
 if not os.path.exists("%scoco/images/train2017/"%saved_coco_path):
  os.makedirs("%scoco/images/train2017"%saved_coco_path)
 if not os.path.exists("%scoco/images/val2017/"%saved_coco_path):
  os.makedirs("%scoco/images/val2017"%saved_coco_path)
 # 获取images目录下所有的joson文件列表
 json_list_path = glob.glob(labelme_path + "/*.json")
 # 数据划分,这里没有区分val2017和tran2017目录,所有图片都放在images目录下
 train_path, val_path = train_test_split(json_list_path, test_size=0.12)
 print("train_n:", len(train_path), 'val_n:', len(val_path))

 # 把训练集转化为COCO的json格式
 l2c_train = Lableme2CoCo()
 train_instance = l2c_train.to_coco(train_path)
 l2c_train.save_coco_json(train_instance, '%scoco/annotations/instances_train2017.json'%saved_coco_path)
 for file in train_path:
  shutil.copy(file.replace("json","jpg"),"%scoco/images/train2017/"%saved_coco_path)
 for file in val_path:
  shutil.copy(file.replace("json","jpg"),"%scoco/images/val2017/"%saved_coco_path)

 # 把验证集转化为COCO的json格式
 l2c_val = Lableme2CoCo()
 val_instance = l2c_val.to_coco(val_path)
 l2c_val.save_coco_json(val_instance, '%scoco/annotations/instances_val2017.json'%saved_coco_path)

只需要修改两个地方即可,然后放到data文件夹下。
最后,得到的coco格式的数据集如下所示:

python 通过使用Yolact训练数据集

至此,数据准备已经结束。

2:下载github存储库

网址:YOLACT

之后解压,但是我解压的时候不知道为啥没有yolact.py这个文件。后来又建了一个py文件,复制了里面的代码。

python 通过使用Yolact训练数据集

下载权重文件,把权重文件放到yolact-master下的weights文件夹里(没有就新建):

python 通过使用Yolact训练数据集

python 通过使用Yolact训练数据集

3:修改config.py

文件所在位置:

python 通过使用Yolact训练数据集

修改类别,把原本的coco的类别全部注释掉,修改成自己的(如红色框),注意COCO_CLASSES里有一个逗号。

python 通过使用Yolact训练数据集

修改数据集地址dataset_base

python 通过使用Yolact训练数据集

修改coco_base_config(下面第二个横线max_iter并不是控制训练轮数的,第二张图中的max_iter才是)

python 通过使用Yolact训练数据集

python 通过使用Yolact训练数据集

4:训练

cd到指定路径下,执行下面命令即可

python train.py --config=yolact_base_config

刚开始:

python 通过使用Yolact训练数据集

因为我是租的云服务器,在jupyter notebook里训练的。输出的训练信息比较乱。

训练几分钟后:

python 通过使用Yolact训练数据集

主要看T后面的数字即可,好像他就是总的loss,如果它收敛了,按下Ctrl+C,即可中止训练,保存模型权重。

第一个问题:

PytorchStreamReader failed reading zip archive: failed finding central directory

python 通过使用Yolact训练数据集

第二个问题:
(但是不知道为啥,我训练时如果中断,保存的模型不能用来测试,会爆出下面的错误)

RuntimeError: unexpected EOF, expected *** more bytes. The file might be corruptrd

没办法解决,所以只能跑完,自动结束之后保存的模型拿来测试(自动保存的必中断保存的要大十几兆)

模型保存的格式:<config>_<epoch>_<iter>.pth。如果是中断的:<config>_<epoch>_<iter>_interrupt.pth

5:测试

使用官网的测试命令即可

python 通过使用Yolact训练数据集

以上就是python 使用Yolact训练自己的数据集的详细内容,更多关于python 训练数据集的资料请关注三水点靠木其它相关文章!

Python 相关文章推荐
Python中threading模块join函数用法实例分析
Jun 04 Python
简单理解Python中的装饰器
Jul 31 Python
python Django批量导入数据
Mar 25 Python
Python中Django发送带图片和附件的邮件
Mar 31 Python
在Pandas中DataFrame数据合并,连接(concat,merge,join)的实例
Jan 29 Python
python flask安装和命令详解
Apr 02 Python
使用Python实现 学生学籍管理系统
Nov 26 Python
使用python3批量下载rbsp数据的示例代码
Dec 20 Python
pycharm通过ssh连接远程服务器教程
Feb 12 Python
Python基于内置库pytesseract实现图片验证码识别功能
Feb 24 Python
Python如何省略括号方法详解
Mar 21 Python
Python快速优雅的批量修改Word文档样式
May 20 Python
python生成随机数、随机字符、随机字符串
Apr 06 #Python
Django项目配置Memcached和Redis, 缓存选择哪个更有优势
Apr 06 #Python
PySwarms(Python粒子群优化工具包)的使用:GlobalBestPSO例子解析
python实现批量提取指定文件夹下同类型文件
Apr 05 #Python
python实现ROA算子边缘检测算法
python实现批量移动文件
Python list去重且保持原顺序不变的方法
Apr 03 #Python
You might like
php获取远程图片体积大小的实例
2013/11/12 PHP
在WordPress中实现发送http请求的相关函数解析
2015/12/29 PHP
利用PHP访问MySql数据库的逻辑操作以及增删改查的实例讲解
2017/08/30 PHP
php实现映射操作实例详解
2019/10/02 PHP
javascript一些实用技巧小结
2011/03/18 Javascript
用jquery实现点击栏目背景色改变
2012/12/10 Javascript
利用js制作html table分页示例(js实现分页)
2014/04/25 Javascript
jqueryMobile使用示例分享
2016/01/12 Javascript
node.js连接mongoDB数据库 快速搭建自己的web服务
2016/04/17 Javascript
浅析函数声明和函数表达式——函数声明的声明提前
2016/05/03 Javascript
jQuery解决input元素的blur事件和其他非表单元素的click事件冲突问题
2016/08/15 Javascript
Node学习记录之cluster模块
2017/05/31 Javascript
详解Vue.js搭建路由报错 router.map is not a function
2017/06/27 Javascript
解决vue单页使用keep-alive页面返回不刷新的问题
2018/03/13 Javascript
解决vue打包css文件中背景图片的路径问题
2018/09/03 Javascript
jQuery 获取除某指定对象外的其他对象 ( :not() 与.not())
2018/10/10 jQuery
为vue项目自动设置请求状态的配置方法
2019/06/09 Javascript
使用Typescript开发微信小程序的步骤详解
2021/01/12 Javascript
[34:47]完美世界DOTA2联赛PWL S2 Magma vs LBZS 第一场 11.18
2020/11/18 DOTA
python实现apahce网站日志分析示例
2014/04/02 Python
使用python实现正则匹配检索远端FTP目录下的文件
2015/03/25 Python
python计算文本文件行数的方法
2015/07/06 Python
numpy使用技巧之数组过滤实例代码
2018/02/03 Python
用Q-learning算法实现自动走迷宫机器人的方法示例
2019/06/03 Python
pytorch 使用单个GPU与多个GPU进行训练与测试的方法
2019/08/19 Python
python框架flask表单实现详解
2019/11/04 Python
英国领先的鞋类零售商:Shoe Zone
2018/12/13 全球购物
马德里著名的运动鞋商店:NOIRFONCE
2019/04/12 全球购物
中专自我鉴定范文
2013/10/16 职场文书
销售找工作求职信
2013/12/20 职场文书
上课说话检讨书大全
2014/01/22 职场文书
电子商务专业求职信
2014/03/08 职场文书
家长会演讲稿
2014/04/26 职场文书
县长群众路线对照检查材料思想汇报
2014/10/02 职场文书
大学生违纪检讨书300字
2014/10/25 职场文书
优秀团员主要事迹范文
2015/11/05 职场文书