首页 > 其他分享 >使用YOLOv5来训练——井盖状态检测数据集,并使用训练好的模型进行预测井盖状态检测数据集 yolo格式 五种类别 井盖数据集

使用YOLOv5来训练——井盖状态检测数据集,并使用训练好的模型进行预测井盖状态检测数据集 yolo格式 五种类别 井盖数据集

时间:2024-11-06 18:44:04浏览次数:5  
标签:labels 训练 -- 检测 井盖 train 数据

井盖状态检测数据集 yolo格式 五种类别:broke(井盖破损),good(完好),circle(边圈破损),lose(井盖丢失),uncovered(井盖位移/未覆盖全)
训练数据已划分,配置文件稍做路径改动即可训练。 训练集:1217 验证集:108

 

使用YOLOv5来训练一个包含1217张训练图像和108张验证图像的井盖状态检测数据集。这个数据集包含五个类别:破损(broke)、完好(good)、边圈破损(circle)、丢失(lose)、位移/未覆盖全(uncovered)。数据集已划分为训练集和验证集,并且配置文件稍作路径改动即可训练。

数据集描述

  • 数据量
    • 训练集:1217张图像
    • 验证集:108张图像
  • 类别
    • 0: 破损(broke)
    • 1: 完好(good)
    • 2: 边圈破损(circle)
    • 3: 丢失(lose)
    • 4: 位移/未覆盖全(uncovered)
  • 标注格式:YOLO格式
  • 应用场景:井盖状态检测

数据集组织

假设你的数据集目录结构如下:

manhole_cover_detection_dataset/
├── train/
│   ├── images/
│   └── labels/
├── valid/
│   ├── images/
│   └── labels/
└── data.yaml  # 数据配置文件

其中:

  • train/ 包含训练集的图像和TXT标签文件。
  • valid/ 包含验证集的图像和TXT标签文件。
  • data.yaml 包含数据配置信息。

数据配置文件

创建或确认data.yaml文件是否正确配置了数据集路径和类别信息:

train: ./train/images/  # 训练集图像路径
val: ./valid/images/  # 验证集图像路径

# Classes
nc: 5  # 类别数量
names: 
  - broke
  - good
  - circle
  - lose
  - uncovered  # 类别名称列表

安装YOLOv5

如果你还没有安装YOLOv5,可以使用以下命令安装:

pip install yolov5

训练模型

使用YOLOv5训练模型的命令非常简单,你可以直接使用以下命令开始训练:

cd path/to/manhole_cover_detection_dataset/

# 克隆YOLOv5仓库
git clone https://github.com/ultralytics/yolov5.git
cd yolov5

# 下载预训练权重
wget https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt

# 开始训练
python train.py --img 640 --batch 16 --epochs 100 --data ../data.yaml --weights yolov5s.pt --cache

在这个命令中:

  • --img 640:输入图像的大小。
  • --batch 16:批量大小。
  • --epochs 100:训练轮数。
  • --data ../data.yaml:指定数据配置文件。
  • --weights yolov5s.pt:指定预训练权重。
  • --cache:使用缓存以加快训练速度。

模型评估

训练完成后,可以使用以下命令评估模型在验证集上的表现:

python val.py --data ../data.yaml --weights runs/train/exp/weights/best.pt --img 640

这里的runs/train/exp/weights/best.pt是训练过程中产生的最佳模型权重文件。

模型预测

你可以使用训练好的模型对新图像进行预测:

python detect.py --source path/to/your/image.jpg --weights runs/train/exp/weights/best.pt --img 640 --conf 0.4 --iou 0.5

查看训练结果

训练过程中的日志和结果会保存在runs/train/目录下,你可以查看训练过程中的损失、精度等信息。

数据增强

为了进一步提高模型性能,可以使用数据增强技术。以下是一个简单的数据增强示例:

  1. 安装albumentations库:

    pip install -U albumentations
  2. train.py中添加数据增强:

    import albumentations as A
    from albumentations.pytorch import ToTensorV2
    import cv2
    
    # 定义数据增强
    transform = A.Compose([
        A.RandomSizedBBoxSafeCrop(width=640, height=640, erosion_rate=0.2),
        A.HorizontalFlip(p=0.5),
        A.VerticalFlip(p=0.5),
        A.Rotate(limit=10, p=0.5, border_mode=cv2.BORDER_CONSTANT),
        A.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.2, p=0.5),
        A.GaussNoise(var_limit=(10.0, 50.0), p=0.5),
        A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
        ToTensorV2()
    ], bbox_params=A.BboxParams(format='yolo', label_fields=['class_labels']))
    
    # 在数据加载器中应用数据增强
    def collate_fn(batch):
        images, targets = zip(*batch)
        transformed_images = []
        transformed_targets = []
    
        for img, target in zip(images, targets):
            bboxes = target['bboxes']
            class_labels = target['labels']
            augmented = transform(image=img, bboxes=bboxes, class_labels=class_labels)
            transformed_images.append(augmented['image'])
            transformed_targets.append({
                'bboxes': augmented['bboxes'],
                'labels': augmented['class_labels']
            })
    
        return torch.stack(transformed_images), transformed_targets

注意事项

  • 数据集质量:确保数据集的质量,包括清晰度、标注准确性等。
  • 模型选择:可以选择更强大的模型版本(如YOLOv5m、YOLOv5l等)以提高性能。
  • 超参数调整:根据实际情况调整超参数,如批量大小(batch-size)、图像大小(imgsz)等。
  • 监控性能:训练过程中监控损失函数和mAP指标,确保模型收敛。

通过上述步骤,你可以使用YOLOv5来训练一个井盖状态检测数据集,并使用训练好的模型进行预测。

 

标签:labels,训练,--,检测,井盖,train,数据
From: https://blog.csdn.net/2401_88440984/article/details/143421898

相关文章

  • 数据结构树与二叉树
    语雀链接:https://www.yuque.com/g/wushi-ls7km/ga9rkw/qw8kwzxigbx61kxy/collaborator/join?token=2vdSjDBgJyJb0VSL&source=doc_collaborator#《树与二叉树》......
  • python球探数据分析
    Python球探数据分析入门指南作为一名刚入行的小白,你可能会对如何使用Python进行球探数据分析感到困惑。不用担心,这篇文章将为你提供一份详细的入门指南,帮助你逐步掌握这项技能。流程概览首先,让我们通过一个表格来了解整个数据分析的流程:步骤描述1获取数据2数据......
  • 【安全运维】检测即代码(DAC) 详细步骤
    原创Zafkie1SecLink安全空间引言DAC(DetectionAsCode),检测即代码是一种战略方法,可将安全检测机制无缝集成到软件开发生命周期中。通过将安全控制视为代码,组织可以在整个SIEM运维过程中自动部署、配置和维护安全措施。或许很多人听说过DAC的概念,但是并没有一步步地实现过......
  • FPGA实现复杂状态机的跳转-判断标准数据帧
    填补之前的状态机跳转挖的坑;数据源对比标准帧:第一步:ROM当做数据源:使能开启,使用地址addr控制其输出。(使用状态机写入RAM时的控制选用addr)RAM作为标准帧的缓存,使用addr_ram作为RAM的写入地址。此时ROM的地址比RAM的地址延迟了一个节拍;(addr_ram<=addr;)第二步:RAM缓存写满之......
  • 【毕业设计】基于深度学习的水族馆生物识别 人工智能 深度学习 目标检测 Python
    一、背景意义    随着水族馆的普及和水生生态保护意识的提高,生物识别技术在水族馆管理、教育和研究中的重要性日益凸显。传统的生物识别方法往往依赖于人工观察和专家判断,效率低、准确性差且容易受到主观因素影响。水族馆中涉及的生物种类繁多,包括鱼类、虾类、海洋哺乳......
  • 【毕业设计】基于机器视觉的学生课堂行为检测 目标检测 深度学习 计算机视觉 yolo
    一、背景意义    随着教育技术的不断进步,课堂管理和学生行为分析逐渐成为教育研究的重要课题。传统的课堂观察方法往往依赖于教师的主观判断,不仅效率低下,而且容易受到观察者偏差的影响。基于机器视觉的学生课堂行为检测系统,利用深度学习和计算机视觉技术,能够实现对学生......
  • CDGP|数据治理如何落地?多角度详细探讨
    数据治理是一个长期且复杂的体系化工程,它通过一系列流程规范、制度、IT能力以及持续运营等机制来保障治理工作的持续推进。落地数据治理需要从多个方面入手,本文将从组织建设、流程规范、IT平台以及持续运营等角度详细探讨。一、建立数据治理组织数据治理需要打破企业内部壁......
  • 高效数据集成:从旺店通到金蝶云
    旺店通·旗舰奇门数据集成到金蝶云星空:柏为销售出库单07.25在现代企业的运营中,数据的高效流转和准确对接是确保业务顺畅运行的关键。本文将分享一个实际案例——如何通过轻易云数据集成平台,将旺店通·旗舰奇门的数据无缝集成到金蝶云星空系统中。具体方案名称为“柏为销售出库单......
  • odoo中对多条数据按条件进行分类汇总 read_group的用法总结并抽取出公式
    今天在工作中遇到一个这样的问题。要求:做一个打印模板实现下面图中的分类汇总 py3o://for="oinobject.delivery_containers_line.read_group(domain=[('delivery_order_id','=',object.id)],fields=['customer_id','delivery_order_id','sales_order_......
  • 基于数据可视化的房屋租赁财务管家微信小程序设计和实现(源码+论文+部署)
     目录:目录:博主介绍: 完整视频演示:你应该选择我技术栈介绍:需求分析:系统各功能实现一览:1.注册2.登录部分代码参考: 项目功能分析: 项目论文:源码获取:博主介绍: ......