Rebar_Detect
介绍
仓库文件路径组织如下：
rebar_detect/
|->darknet/
| |->cfg
| |->data
| |->cv_list
| |->data_augment
| |->img_list
| |->labels
| |->original_img
| |->original_list
| |->test_list
| |->train_list
|->examples
|->include
|->python
|->src
|->tools/
| |->gen_train_list_tools
| |->imgaug_tools
| |->submit_tools
|->DataFountain/
| |->GLODON_ObjDet
| |->data_augment
安装
- 下载代码
git clone https://github.com/vicwer/rebar_detect.git
- 由于使用的darknet框架，没有任何依赖，所以下载代码后按照官网方式编译就可以
比赛思路，实现过程，训练，预测
比赛思路
由于给定的数据集分辨率很高，而且图数量不算多，重要的是，算力有限，所以原图训练不适合。
由此，整体思路是每张图滑窗裁剪保存作为新的训练集，训练时使用裁剪后的图做多尺度训练，由于是全卷积网络，所以预测时可以用大分辨率检测。
实现过程
- 准备数据
DataFountain/
| |->GLODON_ObjDet
| | |->data_augment
| | |->train_dataset
| | |->train
| | |->test_dataset
将下载的数据集解压到train文件夹，train_label.csv放在GLODON_ObjDet下。
- 运行以下脚本生成图像img_label.txt，存放图像路径和标签：
cd tools/imgaug_tools/
python3 gen_img_and_label_list.py
- 做CV:
cd tools/imgaug_tools/
python3 gen_cv_list.py
- CV后选择四个文件做训练集，一个做验证集，然后做镜像翻转：
cd tools/imgaug_tools/
python3 data_augment.py
- 将数据增广后的文件列表合并，做滑窗裁剪操作：
cd tools/imgaug_tools/
python3 img_cv.py
- 将滑窗后的文件列表合并，转换成YOLO训练的格式：
cd tools/gen_train_list_tools/
python3 gen_train_list.py
- 得到的文件列表shuffle
训练
- anchor设定两种方式，聚类或者统计boxes最大最小值均分：
cd tools/imgaug_tools/
python3 kmeans.py
or
python3 find_max_min_box.py
- cfg设置：
cd darknet/cfg/
vim rebar.data
train = {your path}
etc.
训练
vim yolov3-rebar.cfg
# batch = 1
# subdivsions = 1
batch = 64
subdivsions = 32
width = 416
height = 416
./darknet detector train cfg/rebar.data cfg/yolov3-rebar.cfg -gpus 0,1,2,3
预测
cd darknet/cfg/
vim yolov3-rebar.cfg
batch = 1
subdivsions = 1
# batch = 64
# subdivsions = 32
width = 1504
height = 1504
./darknet detector test cfg/rebar.data cfg/yolov3-rebar.cfg {model} {img_path}
结果
其他
-
训练图像的尺寸必须是32的倍数
-
修改训练尺寸在"darknet/examples/detector.c"的line65, line66
-
darknet预训练模型可在darknet官网下载，我训练时没用预训练模型，应该不影响精度
-
如有疑问，可issue
-
引文：
@article{yolov3,
title={YOLOv3: An Incremental Improvement},
author={Redmon, Joseph and Farhadi, Ali},
journal = {arXiv},
year={2018}
}