Seaships论文链接#xff1a;https://ieeexplore.ieee.org/stamp/stamp.jsp?tparnumber8438999

一、…之前复现的yolov3算法采用的是传统的coco数据集这里我需要在新的数据集上跑也就是船舶检测方向的SeaShips数据集这里给出教程。

Seaships论文链接https://ieeexplore.ieee.org/stamp/stamp.jsp?tparnumber8438999

一、数据集下载

Seaships官网https://github.com/jiaming-wang/SeaShips

下载链接http://www.lmars.whu.edu.cn/prof_web/shaozhenfeng/datasets/SeaShips(7000).zip

Seaships原数据集有3万张图像但给出的数据集一共只有7000张应该是经过筛选后的高质量图像。

这是论文《AnenhancedCNN-enabledlearningmethodforpromotingshipdetectionin

maritimesurveillance

system》采用Seaships数据集进行实验的图像数量一共是7000张。

一共是三个文件夹JPEGImages里面保存的是7000张图像文件

二、数据集格式转换

YOLO系列算法采用的是coco数据集coco数据集的标注文件格式如下

我们可以使用下面的代码直接将Seaships数据集转换成coco数据集文件夹架构的文件

import

enumerate(SEASHIPS_CLASSES)}def

XML

[int(bnd_box.find(xmin).text),int(bnd_box.find(ymin).text),int(bnd_box.find(xmax).text),int(bnd_box.find(ymax).text)]else:print(f警告:

在文件

load_split_files(split_dir):加载划分文件train.txt,

val.txt,

os.path.exists(split_path):with

open(split_path,

文件跳过该划分。

)split_files[split_name]

[]return

创建输出目录os.makedirs(os.path.join(output_dir,

annotations),

exist_okTrue)os.makedirs(os.path.join(output_dir,

train),

exist_okTrue)os.makedirs(os.path.join(output_dir,

val),

exist_okTrue)os.makedirs(os.path.join(output_dir,

test),

create_coco_structure()annotation_id

1for

os.path.exists(image_path):print(f警告:

图像文件

os.path.exists(xml_file):print(f警告:

标注文件

ymin)coco_data[annotations].append({id:

obj[label_id],bbox:

复制图像文件到对应的文件夹shutil.copy(image_path,

split_name,

运行完成以后生成Seaships_coco文件夹下面包含和coco数据集相同格式的文件

三、修改配置文件

比如我跑的这个py文件需要把里面所有的路径都修改成自己coco格式的seaships数据集。

把所有coco的路径都改成自己seaships数据集的路径包括测试集、训练集等。

完整代码如下

dict(bgr_to_rgbTrue,mean[0,0,0,],pad_size_divisor32,std[255.0,255.0,255.0,],typeDetDataPreprocessor)

data_root

typeCheckpointHook),loggerdict(interval50,

typeLoggerHook),param_schedulerdict(typeParamSchedulerHook),sampler_seeddict(typeDistSamplerSeedHook),timerdict(typeIterTimerHook),visualizationdict(typeDetVisualizationHook))

default_scope

dict(cudnn_benchmarkFalse,dist_cfgdict(backendnccl),mp_cfgdict(mp_start_methodfork,

input_size

dict(backbonedict(depth53,init_cfgdict(checkpointopen-mmlab://darknet53,

typePretrained),out_indices(3,4,5,),typeDarknet),bbox_headdict(anchor_generatordict(base_sizes[[(116,90,),(156,198,),(373,326,),],[(30,61,),(62,45,),(59,119,),],[(10,13,),(16,30,),(33,23,),],],strides[32,16,8,],typeYOLOAnchorGenerator),bbox_coderdict(typeYOLOBBoxCoder),featmap_strides[32,16,8,],in_channels[512,256,128,],loss_clsdict(loss_weight1.0,reductionsum,typeCrossEntropyLoss,use_sigmoidTrue),loss_confdict(loss_weight1.0,reductionsum,typeCrossEntropyLoss,use_sigmoidTrue),loss_whdict(loss_weight2.0,

reductionsum,

typeMSELoss),loss_xydict(loss_weight2.0,reductionsum,typeCrossEntropyLoss,use_sigmoidTrue),num_classes80,out_channels[1024,512,256,],typeYOLOV3Head),data_preprocessordict(bgr_to_rgbTrue,mean[0,0,0,],pad_size_divisor32,std[255.0,255.0,255.0,],typeDetDataPreprocessor),neckdict(in_channels[1024,512,256,],num_scales3,out_channels[512,256,128,],typeYOLOV3Neck),test_cfgdict(conf_thr0.005,max_per_img100,min_bbox_size0,nmsdict(iou_threshold0.45,

typenms),nms_pre1000,score_thr0.05),train_cfgdict(assignerdict(min_pos_iou0,neg_iou_thr0.5,pos_iou_thr0.5,typeGridAssigner)),typeYOLOV3)

optim_wrapper

norm_type2),optimizerdict(lr0.001,

momentum0.9,

weight_decay0.0005),typeOptimWrapper)

param_scheduler

typeLinearLR),dict(by_epochTrue,

gamma0.1,

dict(batch_size1,datasetdict(ann_fileannotations/instances_test.json,backend_argsNone,data_prefixdict(imgtest/),data_rootdata/SeaShips_coco/,pipeline[dict(backend_argsNone,

typeLoadImageFromFile),dict(keep_ratioTrue,

scale(320,320,),

typeResize),dict(typeLoadAnnotations,

with_bboxTrue),dict(meta_keys(img_id,img_path,ori_shape,img_shape,scale_factor,),typePackDetInputs),],test_modeTrue,typeCocoDataset),drop_lastFalse,num_workers2,persistent_workersTrue,samplerdict(shuffleFalse,

typeDefaultSampler))

dict(ann_filedata/SeaShips_coco/annotations/instances_test.json,backend_argsNone,metricbbox,typeCocoMetric)

test_pipeline

typeLoadImageFromFile),dict(keep_ratioTrue,

scale(320,320,),

typeResize),dict(typeLoadAnnotations,

with_bboxTrue),dict(meta_keys(img_id,img_path,ori_shape,img_shape,scale_factor,),typePackDetInputs),

train_cfg

dict(batch_samplerdict(typeAspectRatioBatchSampler),batch_size8,datasetdict(ann_fileannotations/instances_train.json,backend_argsNone,data_prefixdict(imgtrain/),data_rootdata/SeaShips_coco/,filter_cfgdict(filter_empty_gtTrue,

min_size32),pipeline[dict(backend_argsNone,

typeLoadImageFromFile),dict(typeLoadAnnotations,

with_bboxTrue),dict(mean[0,0,0,],ratio_range(1,2,),to_rgbTrue,typeExpand),dict(min_crop_size0.3,min_ious(0.4,0.5,0.6,0.7,0.8,0.9,),typeMinIoURandomCrop),dict(keep_ratioTrue,

scale(320,320,),

typeRandomFlip),dict(typePhotoMetricDistortion),dict(typePackDetInputs),],typeCocoDataset),num_workers4,persistent_workersTrue,samplerdict(shuffleTrue,

typeDefaultSampler))

typeLoadImageFromFile),dict(typeLoadAnnotations,

with_bboxTrue),dict(mean[0,0,0,],

ratio_range(1,2,),

typeExpand),dict(min_crop_size0.3,min_ious(0.4,0.5,0.6,0.7,0.8,0.9,),typeMinIoURandomCrop),dict(keep_ratioTrue,

scale(320,320,),

typeRandomFlip),dict(typePhotoMetricDistortion),dict(typePackDetInputs),

val_cfg

dict(batch_size1,datasetdict(ann_fileannotations/instances_val.json,backend_argsNone,data_prefixdict(imgval/),data_rootdata/SeaShips_coco/,pipeline[dict(backend_argsNone,

typeLoadImageFromFile),dict(keep_ratioTrue,

scale(320,320,),

typeResize),dict(typeLoadAnnotations,

with_bboxTrue),dict(meta_keys(img_id,img_path,ori_shape,img_shape,scale_factor,),typePackDetInputs),],test_modeTrue,typeCocoDataset),drop_lastFalse,num_workers2,persistent_workersTrue,samplerdict(shuffleFalse,

typeDefaultSampler))

dict(ann_filedata/SeaShips_coco/annotations/instances_val.json,backend_argsNone,metricbbox,typeCocoMetric)

vis_backends

dict(namevisualizer,typeDetLocalVisualizer,vis_backends[dict(typeLocalVisBackend),])

work_dir

/home/21021110287/wxz/mmdetection/work_dirs/yolo_seaships路径里面包含seaships的就是我自己修改过后的大家在用的时候记得改成自己的路径即可。

将该文件保存为

python

第二个是刚刚保存的运行配置文件的路径最后一个路径是自定义的输出日志保存结果的路径如果不设置则会自动生成work_dir文件夹保存结果命令如下

python

如果还想在faster-rcnn或者ssd上运行直接选择configs文件夹下不同的配置文件修改运行命令即可

not

available的错误则需要把运行配置文件中加载与训练模型的代码注释掉否则没有预训练模型无法运行

之后找到模型文件.pth文件复制路径添加到加载预训练模型的那行代码中”checkpoint“的后面即可重新运行这样会发现运行速度远超未加载权重的时候。