目录
使用免费的DL环境
Google Cloud Platform (GCP) 深度学习虚拟机 (VM)（推荐！）
Google Colab Notebook
Amazon Web Services
数据集标注工具
Roboflow（推荐！）
CVAT
labelimg
训练可视化
wandb（推荐！）
tensorboardX
YOLOv3安装与使用
自定义训练YOLOv3
OpenCV与YOLOv3的结合
其他YOLOv3_C++使用方法
别人的开源代码
使用免费的DL环境 Google Cloud Platform (GCP) 深度学习虚拟机 (VM)（推荐！）
可以免费获得300美元的额度
教程：GCP Quickstart · ultralytics/yolov5 Wiki · GitHub
Google Colab Notebook免费使用，提供GPU
教程：https://colab.research.google.com/github/ultralytics/yolov5/blob/master/tutorial.ipynb
Amazon Web Services可以免费获得试用额度
链接：亚马逊AWS海外区域账户免费套餐_免费云服务-AWS云服务
数据集标注工具 Roboflow（推荐！）官网：Overview - Roboflow
教程：How to Train YOLOv5 On a Custom Dataset
CVAT官网：Computer Vision Annotation Tool
教程：How to use CVAT for computer vision [2022 updates]
labelimg官网：GitHub - tzutalin/labelImg: 🖍️ LabelImg is a graphical image annotation tool and label object bounding boxes in images
教程：LabelImg for computer vision annotation
训练可视化 wandb（推荐！）官网：Weights & Biases
tensorboardX官网：GitHub - lanpa/tensorboardX: tensorboard for pytorch (and chainer, mxnet, numpy, ...)
YOLOv3安装与使用自定义训练YOLOv3官方网站：YOLO: Real-Time Object Detection
官方Github： ONNX > CoreML > TFLite">GitHub - ultralytics/yolov3: YOLOv3 in PyTorch > ONNX > CoreML > TFLite
官方文档：YOLOv5 Documentation
官方论文：https://arxiv.org/abs/1804.02767v1
教程：Training YOLOv3 : Deep Learning based Custom Object Detector | LearnOpenCV #
使用Darknet框架训练模型，该框架为C语言编写。
1、下载并编译
cd ~
git clone https://github.com/pjreddie/darknet
cd darknet
# 使用nproc可以看可用核心数
make -j42、准备数据集
下载数据集，并拆分为训练集（70%~90%）和测试集（10%~30%）。
数据集拆分脚本splitTrainAndTest.py示例：
import random
import os
import subprocess
import sys
def split_data_set(image_dir):
f_val = open("test.txt", 'w')
f_train = open("train.txt", 'w')
path, dirs, files = next(os.walk(image_dir))
data_size = len(files)
ind = 0
data_test_size = int(0.1 * data_size)
test_array = random.sample(range(data_size), k=data_test_size)
for f in os.listdir(image_dir):
if(f.split(".")[1] == "jpg"):
ind += 1
if ind in test_array:
f_val.write(image_dir+'/'+f+'\n')
else:
f_train.write(image_dir+'/'+f+'\n')
split_data_set(sys.argv[1])用法：
python3 splitTrainAndTest.py ./path/JPEGImages/3、标注数据集
使用软件对数据集进行标注。其中标签文件中的每一行条目代表图像中的单个边界框，并包含有关该框的以下信息：
-
object-class-id是一个整数，表示对象的类别。它的范围从 0 到（类数 - 1）。在我们当前的例子中，因为我们只有一个类别，所以它总是设置为 0。
-
center-x和center-y分别是边界框中心的 x 和 y 坐标（以像素为单位），分别由图像宽度和高度归一化。
-
width和height分别是边界框的宽度和高度（以像素为单位），再次分别由图像宽度和高度归一化。
标注软件：
自动生成的类别信息：
自动生成的标签信息：
4、下载预训练模型
wget https://pjreddie.com/media/files/darknet53.conv.745、准备数据文件
在xxx.data文件中，设置好各个文件的路径信息
classes = 1
train = /home/sxf/Desktop/yolov3/darknet/datasets/train.txt
valid = /home/sxf/Desktop/yolov3/darknet/datasets/test.txt
names = /home/sxf/Desktop/yolov3/darknet/datasets/classes.names
backup = /home/sxf/Desktop/yolov3/darknet/datasets/weights/6、YOLO参数配置
使用模型配置文件darknet-yolov3.cfg。
7、开始训练
./darknet detector train /home/sxf/Desktop/yolov3/darknet/datasets/darknet.data /home/sxf/Desktop/yolov3/darknet/datasets/darknet-yolov3.cfg ./darknet53.conv.74 > ./train.log8、测试模型
python3 object_detection_yolo.py --image=image.jpgOpencv4.0已经包含DNN相关的库函数，可以非常方便的调用训练好的YOLO3模型使用。OpenCV CPU 版本快9倍。
相关结合教程：
Opencv+YOLO3目标检测/C++ | Ryan's Blog
Deep Learning based Object Detection using YOLOv3 with OpenCV ( Python / C++ )
OpenCV的安装：
各平台安装OpenCV_小锋学长生活大爆炸的博客-CSDN博客
OpenCV教程合辑：
GitHub - spmallick/learnopencv: Learn OpenCV : C++ and Python Examples
YOLO可能的一些问题：
YOLO相关问题记录_小锋学长生活大爆炸的博客-CSDN博客
Ubuntu升级CMake3.22：
Ubuntu20.04升级CMake3.22(树莓派适用)_小锋学长生活大爆炸的博客-CSDN博客_树莓派更新cmake
权重与模型配置文件下载：
#!/bin/bash
wget "https://raw.githubusercontent.com/spmallick/learnopencv/master/ObjectDetection-YOLO/yolov3.cfg"
wget "https://pjreddie.com/media/files/yolov3.weights"
wget "https://raw.githubusercontent.com/spmallick/learnopencv/master/ObjectDetection-YOLO/coco.names"
wget "https://raw.githubusercontent.com/spmallick/learnopencv/master/ObjectDetection-YOLO/run.mp4"赋予权限并执行
sudo chmod +x download.sh
./download.sh编写C++代码
#include
#include
#include
#include
#include
#include
using namespace cv;
using namespace std;
using namespace dnn;
vector classes;//储存名字的容器
float confThreshold = 0.5;//置信度阈值
float nmsThreshold = 0.4;//非最大抑制阈值
int inpWidth = 416;//网络输入图片宽度
int inpHeight = 416;//网络输入图片高度
//移除低置信度边界框
void postprocess(cv::Mat& frame,const vector& out);
//画出预测边界框
void drawPred(int classId,float conf,int left,int top,int right,int bottom,cv::Mat& frame);
//取得输出层的名字
vector getOutputNames(const cv::dnn::Net& net);
int main() {
string device = "cpu";
string bastPath = "/home/sxf/Desktop/yolov3/project/";
//将类名存进容器
string classesFile = bastPath+"model/coco.names";//coco.names包含80种不同的类名
ifstream ifs(classesFile.c_str());
string line;
while(getline(ifs,line)) classes.push_back(line);
//取得模型的配置和权重文件
cv::String modelConfiguration = bastPath+"model/yolov3.cfg";
cv::String modelWeights = bastPath+"model/yolov3.weights";
//加载网络
cv::dnn::Net net = cv::dnn::readNetFromDarknet(modelConfiguration, modelWeights);
if (device == "cpu")
{
cout << "Using CPU device" << endl;
net.setPreferableBackend(cv::dnn::DNN_BACKEND_OPENCV);
net.setPreferableBackend(cv::dnn::DNN_TARGET_CPU);
}
else if (device == "gpu")
{
cout << "Using GPU device" << endl;
net.setPreferableBackend(cv::dnn::DNN_BACKEND_CUDA);
net.setPreferableTarget(cv::dnn::DNN_TARGET_CUDA);
}
//打开视频文件或者图形文件或者相机数据流
cv::VideoCapture cap(bastPath+"model/run.mp4");
//开启摄像头
//cv::VideoCapture cap(1);
cv::VideoWriter video;
string str, outputFile;
cv::Mat frame, blob;
//创建窗口
static const string kWinName = "Deep learning object detection in OpenCV";
cv::namedWindow(kWinName,cv::WINDOW_AUTOSIZE);
//处理每帧
while(cv::waitKey(1)<0){
//取每帧图像
cap>>frame;
//如果视频播放完则停止程序
if(frame.empty()){
break;
}
//在dnn中从磁盘加载图片
cv::dnn::blobFromImage(frame,blob,1/255.0,cv::Size(inpWidth,inpHeight));
//设置输入网络
net.setInput(blob);
//设置输出层
vector outs;//储存识别结果
net.forward(outs,getOutputNames(net));
//移除低置信度边界框
postprocess(frame,outs);
//显示s延时信息并绘制
vector layersTimes;
double freq = cv::getTickFrequency()/1000;
double t = net.getPerfProfile(layersTimes)/freq;
string label = cv::format("Infercence time for a frame:%.2f ms",t);
cv::putText(frame,label,cv::Point(0,15),cv::FONT_HERSHEY_SIMPLEX,0.5,cv::Scalar(0,255,255));
//绘制识别框
cv::Mat detecteFrame;
frame.convertTo(detecteFrame,CV_8U);
cv::imshow(kWinName,frame);
}
cap.release();
return 0;
}
//移除低置信度边界框
void postprocess(cv::Mat& frame,const vector& outs){
vector classIds;//储存识别类的索引
vector confidences;//储存置信度
vector boxes;//储存边框
for(size_t i=0;iconfThreshold){
int centerX = (int)(data[0]*frame.cols);
int centerY = (int)(data[1]*frame.rows);
int width = (int)(data[2]*frame.cols);
int height = (int)(data[3]*frame.rows);
int left = centerX-width/2;
int top = centerY-height/2;
classIds.push_back(classIdPoint.x);
confidences.push_back((float)confidence);
boxes.push_back(cv::Rect(left, top, width, height));
}
}
}
//低置信度
vector indices;//保存没有重叠边框的索引
//该函数用于抑制重叠边框
cv::dnn::NMSBoxes(boxes,confidences,confThreshold,nmsThreshold,indices);
for(size_t i=0;i getOutputNames(const cv::dnn::Net& net){
static vector names;
if(names.empty()){
//取得输出层指标
vector outLayers = net.getUnconnectedOutLayers();
vector layersNames = net.getLayerNames();
//取得输出层名字
names.resize(outLayers.size());
for(size_t i =0;i CMakeLists文件可参考为：
cmake_minimum_required(VERSION 3.22)
project(project)
set(CMAKE_CXX_STANDARD 17)
find_package(OpenCV REQUIRED)
find_package(Doxygen)
if (NOT APPLE)
find_package(OpenMP)
endif ()
# ============================================================================ #
# Compilation flags
IF(UNIX)
SET(CMAKE_C_FLAGS_DEBUG "${CMAKE_C_FLAGS} -g -O0 -Wall -Wextra -Wunused-variable -DDEBUG -D_DEBUG")
SET(CMAKE_CXX_FLAGS_DEBUG "${CMAKE_CXX_FLAGS} -O0 -g -Wall -Wextra -Wunused-variable -DDEBUG -D_DEBUG")
ENDIF(UNIX)
if(OPENMP_FOUND)
MESSAGE("OpenMP found")
if(UNIX)
SET(CMAKE_C_FLAGS_RELEASE "-O3 -Wall -Wextra -Wunused-variable -g -fPIC -msse2 -msse3 -msse4 -ffast-math")
SET(CMAKE_CXX_FLAGS_RELEASE "-O3 -Wall -Wextra -Wunused-variable -g -fPIC -msse2 -msse3 -msse4 -ffast-math")
endif(UNIX)
SET(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} ${OpenMP_CXX_FLAGS}")
SET(CMAKE_C_FLAGS "${CMAKE_C_FLAGS} ${OpenMP_C_FLAGS}")
else(OPENMP_FOUND)
MESSAGE("OpenMP not found")
if(UNIX)
SET(CMAKE_C_FLAGS_RELEASE "${CMAKE_C_FLAGS} -O3 -Wall -std=c++0x -Wunused-variable -Wno-unknown-pragmas -g -fPIC -msse2 -msse3 -msse4 -ffast-math")
SET(CMAKE_CXX_FLAGS_RELEASE "${CMAKE_CXX_FLAGS} -O3 -Wall -std=c++0x -Wno-unknown-pragmas -Wunused-variable -g -fPIC -msse2 -msse3 -msse4 -ffast-math")
endif(UNIX)
endif(OPENMP_FOUND)
# ============================================================================ #
include_directories( ${OpenCV_INCLUDE_DIRS})
add_executable(project main.cpp)
target_link_libraries(project ${OpenCV_LIBS})
# ============================================================================ #
# Generate Doxygen-based documentation project
if(DOXYGEN_FOUND)
add_custom_target(akaze_documentation
${DOXYGEN_EXECUTABLE} ${CMAKE_CURRENT_SOURCE_DIR}/Doxyfile
WORKING_DIRECTORY ${CMAKE_CURRENT_SOURCE_DIR}
COMMENT "Generating API documentation with Doxygen" VERBATIM)
endif(DOXYGEN_FOUND)效果
在此如下配置的电脑上：
YOLOv3：
YOLOv3-tiny：
其他YOLOv3_C++使用方法 别人的开源代码Github链接：GitHub - zqfang/YOLOv3_CPP: YOLOv3 C++
待续... ...
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）