数据获取
labellmage使用方法
TFrecord文件
什么是TFrecord文件
将数据转换成TFrecord文件
from dataset.vocdata_tfrecord import load_labels,write_to_tfrecord
#1
datapath='./VOCdevkit/VOC2007/'
#2
all_xml=load_labels(datapath,'train')
#3
tfrecord_path='./yolov3/dataset/voc_train.tfrecords'
#4
img_path=os.path.join(datapath,'JPEGImages')
#5
write_to_tfrecord(all_xml,tfrecord_path,img_path)
读取TFrecord文件
from dataset.get_tfdata import getdata
dataset=getdata('./dataset/voc_val.tfrecords')
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle
#数据展示
#1获取类别信息
from utils.config_utils import read_class_names
classes=read_class_names('config/classname')
#2创建画布
plt.figure(15,10)
#3获取数据遍历
i=0
for image,width,height,boxes,boxes_category in datasets.take(3):
#4划分不同的坐标轴
plt.subplot(1,3,i+1)
#5显示图像:plt.imshow()
plt.imshow(image)
#6显示box，遍历所有的bbox，rectange进行绘制
ax=plt.gca()
for j in range(boxes.shape[0]):
rect=Rectangle((boxes[j,0],boxes[j,1]),boxes[j,2] -boxes[j,0],boxes[j,3]-boxes[j,1],color='r',fill=False)
ax.add_patch(rect)
#7显示类别
label_id=boxes_category[j]
label=classes.get(label_id.numpy())
ax.text(boxes[j,0],boxes[j,1]+8,label,color='w',size=11,backgroundcolor='none')
i+=1
plt.show()
数据处理
from dataset.preprocess import preprocess
#2创建画布
plt.figure(15,10)
#3获取数据遍历
i=0
for image,width,height,boxes,boxes_category in datasets.take(3):
#进行数据处理
image,boxes=preprocess(image,boxes)
#4划分不同的坐标轴
plt.subplot(1,3,i+1)
#5显示图像:plt.imshow()
plt.imshow(image)
#6显示box，遍历所有的bbox，rectange进行绘制
ax=plt.gca()
for j in range(boxes.shape[0]):
rect=Rectangle((boxes[j,0],boxes[j,1]),boxes[j,2] -boxes[j,0],boxes[j,3]-boxes[j,1],color='r',fill=False)
ax.add_patch(rect)
#7显示类别
label_id=boxes_category[j]
label=classes.get(label_id.numpy())
ax.text(boxes[j,0],boxes[j,1]+8,label,color='w',size=11,backgroundcolor='none')
i+=1
plt.show()
模型构建
模型训练
from model.yolov3 import YOLOv3
yolov3=YOLOv3((416,416,3),80)
yolov3.summary()
损失函数的计算
from core.loss import Loss
yolov3_loss=Loss((416,416,3),80)
正负样本的设定
from core.bbox_target import bbox_to_target
#获取数据进行目标值设置
for image,width,height,boxes,labels in dataset.take[1]:
#获取目标值
label1,label2,label3=bbox_to_target(boxes,label,num_classes=20)
import tensorflow as tf
#获取正样本索引
tf.where(tf.equal(label[...,4],1))
#坐标值
label1[12,12,0,0:4]
label1[12,12,0,5:]
模型训练
获取数据集
from dataset.preprocess import dataset
batch_size=1
trainset=dataset('dataset/voc_train.tfrecords',batch_size)
加载模型
from model.yoloV3 import YOLOv3
yolov3=YOLOv3((416,416,3),20)
from core.loss import Loss
yoloV3_loss=Loss((416,416,3),20)
模型训练
#1定义优化器
optimizer=tf.keras.optimizers.SGD(learning_rate=0.1,momentum=0.9)
#2设置epoch
for epoch in range(2):
for (batch,inputs) in enumerate(trainset):
images,labels=inputs
#3计算损失函数进行参数更新
#3.1定义上下文缓解
with tf.GradientTape() as Tape:
#3.2将图像送入网络中
outputs=yoloV3(image)
#3.3计算损失函数
loss=yoloV3_loss([*outputs,*labels])
#3.4计算梯度
grads=Tape.gradient(loss,yolov3.trainable_variables)
#3.5梯度更新
optimizer.apply_gradients(zip(grads,yolov3.trainable_variables))
print(loss)
yolov3.save('yolov3.h5')
模型预测
文章来源：https://www.toymoban.com/news/detail-602281.html
#1
img=cv2.imread('image.jpg')
#2
predicter=Predict(class_num=80,yolov3='weights/yolov3.h5')
#3
boundings=predicter(img)
#4
plt.imshow(img[:,:,::-1])
文章来源地址https://www.toymoban.com/news/detail-602281.html
到了这里，关于目标检测——yoloV3案例的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
