。

本代码使…自动驾驶目标检测项目实战——基于深度学习框架yolov的交通标志检测

目前目标检测算法有很多流行的就有faster-rnn和yolov本文使用了几年前的yolov3框架进行训练效果还是很好当然也可以使用更高版本的Yolov进行实战。

本代码使用的是keras框架pytorch的yolov如何对数据集进行训练可以参考我之前的文章

工业缺陷检测项目实战(二)——基于深度学习框架yolov5的钢铁表面缺陷检测

数据集准备

https://www.kaggle.com/datasets/meowmeowmeowmeowmeow/gtsrb-german-traffic-sign

https://aistudio.baidu.com/aistudio/datasetdetail/97069

Meta没什么用主要是Test和TrainTest作为验证集使用。

基础代码准备

https://github.com/miemie2013/Keras-DIOU-YOLOv3

tensorflow1.15.1

fields[7]class_list.append(int(fields[6]))image_file_list.append(image_file)#

Find

fields[2:6]])box_coords_list.append(box_coords)#

写入txt内容

range(len(box_coords_list)):box_coord

box_coord

\n)路径根据自己的去修改即可。

生成的txt放在annotation文件夹下。

txt文件格式如下

比如这里有43个类则我们可以先用数字字符表示等检测完再转回对于的类名

4.修改文件路径

1本仓库有pattern0、pattern1、pattern2这3种训练模式。

0-从头训练1-读取model_body继续训练包括解冻但需要先运行1_lambda2model.py脚本取得model_body2-读取coco预训练模型训练

然后在这3种模式的if-else分支下你再指定批大小batch_size、学习率lr等超参数。

2如果你决定从头训练一个模型即pattern0而且你的显卡显存比较小比如说只有6G。

那么你可以设置initial_filters为一个比较小的值比如说8。

initial_filters会影响到后面的卷积层的卷积核个数除了最后面3个卷积层的卷积核个数不受影响。

yolov3的initial_filters默认是32你调小initial_filters会使得模型变小运算量减少适合在小数据集上训练。

python

1_lambda2model.py将训练模型中yolov3的所有部分提取出来。

我这里得到aaaa_bgr.h5

8.mAP评估

运行evaluate_kr.py对keras模型1_lambda2model.py提取出来的模型评估跑完这个脚本后需要再跑mAP/main.py进行mAP的计算。

计算完之后会保持结果图

9.测试

另外我添加了绘制acc和loss的曲线图也对过滤了识别分数地的框。