本文运行再colab环境下
目录
本文运行再colab环境下
1.准备
a.库的安装
b.colab环境的准备
2.模型的训练
a.准备数据集
b.训练
3.通过模型进行目标检测
4.注意：
1.准备
a.库的安装
依赖项：opencv、1.15>=tensorflow>=1.4、keras，
pip install imagea
b.colab环境的准备
修改——笔记本设置——选择GPU
然后运行以下命令，更换tf版本
!sudo pip install tensorflow-gpu==1.13.1
否则导致报错
最后，代码执行程序——重新启动代码执行程序。准备完成。
2.模型的训练
a.准备数据集
每个是识别的图片最好200张以上
之后通过lableimage标记图片，标记图片时候路径不要含有中文，可以新建一个Images文件保存图片
图片和xml名字例如：image(1).png,image(1).xml
建立如下目录
└───dataset├───train│ ├───annotations│ └───images└───validation├───annotations└───images
将所有图片和对应xml的百分之七八十分别放在train内的Images和annotations内
将剩余图片和对应xml放在validation内的annotations和images内
数据集至此准备完毕
b.训练
运行一下代码开始训练
from imageai.Detection.Custom import DetectionModelTrainertrainer = DetectionModelTrainer()# 训练的是YOLOV3模型trainer.setModelTypeAsYOLOv3()# 数据集地址trainer.setDataDirectory(data_directory="dataset")# 图片类别，batch_size,训练次数，train_from_pretrained_model="pretrained-yolov3.h5"可以决定是否采用转移训练trainer.setTrainConfig(object_names_array=["1", "2", "3","4", "5", "6","7", "8"],batch_size=2,num_experiments=10,)# In the above,when training for detecting multiple objects,#set object_names_array=["object1", "object2", "object3",..."objectz"]trainer.trainModel()
后续训练需要modle内的h5文件和json内的detection_config.json文件
3.通过模型进行目标检测
需要用到的文件：上面训练得到的h5和json文件，识别的图片
运行下列代码
from imageai.Detection.Custom import CustomObjectDetectiondetector = CustomObjectDetection()detector.setModelTypeAsYOLOv3()# h5文件地址detector.setModelPath("detection_model-ex-013--loss-0027.176.h5")# json文件地址detector.setJsonPath("detection_config.json")detector.loadModel()# 输入输出图片地址detections = detector.detectObjectsFromImage(input_image="metro1.png", output_image_path="metro1_new.png")for detection in detections:print(detection["name"], " : ", detection["percentage_probability"], " : ", detection["box_points"])
完成检测
4.注意：
卡在cpoch1/xxx不动，可能是电脑性能问题
数据集修改后，一定要删除除了train和annotations外的其他文件，再进行训练
