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
pycharm 使用心得(七)一些实用功能介绍
Jun 06 Python
python通过pil模块获得图片exif信息的方法
Mar 16 Python
Python实现在matplotlib中两个坐标轴之间画一条直线光标的方法
May 20 Python
详细讲解Python中的文件I/O操作
May 24 Python
Python打印“菱形”星号代码方法
Feb 05 Python
python线程池threadpool实现篇
Apr 27 Python
利用Python如何将数据写到CSV文件中
Jun 05 Python
使用python搭建服务器并实现Android端与之通信的方法
Jun 28 Python
PyTorch的Optimizer训练工具的实现
Aug 18 Python
利用Tensorflow构建和训练自己的CNN来做简单的验证码识别方式
Jan 20 Python
python print 格式化输出,动态指定长度的实现
Apr 12 Python
Python unittest单元测试框架实现参数化
Apr 29 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
在命令行下运行PHP脚本[带参数]的方法
2010/01/22 PHP
深入PHP许愿墙模块功能分析
2013/06/25 PHP
使用PHP接收POST数据,解析json数据
2013/06/28 PHP
PHP 转义使用详解
2013/07/15 PHP
php实现的百度搜索某地天气的小偷代码
2014/04/23 PHP
JS+PHP实现用户输入数字后显示最大的值及所在位置
2017/06/19 PHP
yii2.0整合阿里云oss的示例代码
2017/09/19 PHP
PHP 99乘法表的几种实现代码
2020/10/13 PHP
ASP.NET中基于JQUERY的高性能的TreeView补充
2011/02/23 Javascript
javascript获取作用在元素上面的样式属性代码
2012/09/20 Javascript
javascript实现简单加载随机色方块
2015/12/25 Javascript
你所未知的3种Node.js代码优化方式
2016/02/25 Javascript
学JavaScript七大注意事项【必看】
2016/05/04 Javascript
浅谈JS中的bind方法与函数柯里化
2016/08/10 Javascript
JS基于面向对象实现的选项卡效果示例
2016/12/20 Javascript
原生js jquery ajax请求以及jsonp的调用方法
2017/08/04 jQuery
微信小程序canvas分享海报功能
2019/10/31 Javascript
NodeJS实现一个聊天室功能
2019/11/25 NodeJs
微信小程序scroll-view锚点链接滚动跳转功能
2019/12/12 Javascript
python清除字符串前后空格函数的方法
2018/10/21 Python
python 将json数据提取转化为txt的方法
2018/10/26 Python
django 2.2和mysql使用的常见问题
2019/07/18 Python
python retrying模块的使用方法详解
2019/09/25 Python
python中shell执行知识点
2020/05/06 Python
Python reques接口测试框架实现代码
2020/07/28 Python
详解python 支持向量机(SVM)算法
2020/09/18 Python
巴西葡萄酒销售网站:Wine.com.br
2017/11/07 全球购物
什么是serialVersionUID
2016/03/04 面试题
新闻发布会主持词
2014/03/28 职场文书
对外汉语专业大学生职业生涯规划书
2014/10/11 职场文书
2015年清明节活动总结
2015/02/09 职场文书
2015年秋季小学开学典礼主持词
2015/07/16 职场文书
2016优秀教师先进个人事迹材料
2016/02/25 职场文书
SpringRetry重试框架的具体使用
2021/07/25 Java/Android
SQL实现LeetCode(196.删除重复邮箱)
2021/08/07 MySQL
Nginx 502 bad gateway错误解决的九种方案及原因
2022/08/14 Servers