wordpress最底部版权,网站百度推广和优化,公司手机网站模板免费下载,网站开始开发阶段的主要任务基于YOLOv8分割模型实现垃圾识别 本文首发于公众号【DeepDriving】#xff0c;欢迎关注。 0. 引言
YOLOv8是Ultralytics开源的一个非常火的AI算法#xff0c;目前支持目标检测、实例分割、姿态估计等任务。如果对YOLOv8的安装和使用还不了解的可以参考我之前写的这篇文章欢迎关注。 0. 引言
YOLOv8是Ultralytics开源的一个非常火的AI算法目前支持目标检测、实例分割、姿态估计等任务。如果对YOLOv8的安装和使用还不了解的可以参考我之前写的这篇文章
YOLOv8初体验检测、跟踪、模型部署
本文将介绍如何使用YOLOv8的分割模型实现垃圾识别其中所使用的训练数据来自TACO垃圾数据集。
1. 数据集介绍
TACO是一个包含在不同环境下室内、树林、道路和海滩拍摄的垃圾图像数据集这些图像中的垃圾对象被精细地用方框和多边形进行了标注标注信息采用与COCO数据集一样的格式总共有60个类别不过有的类别标注得很少甚至没有。下图是TACO数据集中的一些标注示例 如果需要下载数据集先执行下面的命令拉取官方的GitHub仓库
git clone https://github.com/pedropro/TACO.git然后用Python运行脚本即可下载数据集
python3 download.py如果下载过程中被中断了只需重新执行download脚本即可继续下载。
2. 训练模型
2.1 转换标注格式
TACO数据集原始的标注信息被保存在一个名为annotations.json的文件中在使用该数据集训练YOLOv8分割模型前需要先把原始的标注信息转换为YOLOv8要求的格式。YOLOv8分割模型训练时需要的标注格式如下
id x_1 y_1 ... x_n y_n一个对象的标注信息放在一行首先是该对象类别的id从0开始算接着将多边形各点像素坐标的x和y值依次排列其中x和y的值需要分别除以图像的宽度和高度进行归一化一幅图像的所有标注信息放在一个与图像同名的txt文件中。
进行格式转换后txt文件中的内容类似于这样
5 0.5183 0.4892 0.5480 0.4840 0.4840 0.5627 0.4840 0.5724 0.4853 0.5822 0.4879 0.5900
7 0.6227 0.5211 0.6232 0.5250 0.5074 0.6154 0.5081 0.6183 0.5107 0.5068 0.6120 0.6290用于格式转换的关键Python代码如下
img cv2.imread(image_path)
height, width, _ img.shapelabel_writer open(label_path, w)
for annotation in annotations:category_id annotation[category_id]seg_labels []for segmentation in annotation[segmentation]:points np.array(segmentation).reshape((int(len(segmentation) / 2), 2))for point in points:x point[0] / widthy point[1] / heightseg_labels.append(x)seg_labels.append(y)label_writer.write(str(category_id) .join([str(a) for a in seg_labels]) \n)
label_writer.close()2.2 创建配置文件
首先仿照ultralytics/cfg/datasets/coco128-seg.yaml创建一个TACO数据集的配置文件taco-seg.yaml文件内容如下
path: /home/test/TACO/data #数据集所在的目录
train: train.txt # 训练集路径相对于path目录
val: val.txt # 验证集路径相对于path目录
test: test.txt # 测试集路径相对于path目录可以不写# 类别id和名称
names:0: Aluminium foil1: Battery2: Aluminium blister pack3: Carded blister pack4: Other plastic bottle5: Clear plastic bottle6: Glass bottle7: Plastic bottle cap8: Metal bottle cap9: Broken glass10: Food Can...数据集的设置的方式有几种形式我的方式是建立images和labels两个目录分别用于存放图像和txt标注文件然后把数据集按照8:1:1的比例划分训练集、验证集、测试集再把三个数据集图片的绝对路径分别写入train.txt、val.txt和test.txt三个文件中。所以上面的taco-seg.yaml文件中设置的路径path就是train.txt、val.txt和test.txt这三个文件所在的目录这三个文件中包含的是对应数据集中图片的绝对路径类似于这样
/home/test/TACO/data/images/batch_13/000077.jpg
/home/test/TACO/data/images/batch_11/000032.jpg
/home/test/TACO/data/images/batch_15/000073.jpg配置好数据集后还要设置模型参数。首先将ultralytics/cfg/models/v8/yolov8-seg.yaml文件拷贝一份命名为yolov8-seg-taco.yaml然后把文件中的类别数量nc从80改为TACO数据集的60
...
# Parameters
nc: 60 # number of classes
scales: # model compound scaling constants, i.e. modelyolov8n-seg.yaml will call yolov8-seg.yaml with scale n# [depth, width, max_channels]n: [0.33, 0.25, 1024]s: [0.33, 0.50, 1024]m: [0.67, 0.75, 768]l: [1.00, 1.00, 512]x: [1.00, 1.25, 512]...其他有关模型结构的参数如果没有必要就不需要修改了。
2.3 训练
训练YOLOv8可以使用命令行也可以编写Python代码实现个人觉得还是使用命令行比较方便所以本文采用命令行的方式进行训练调用的命令如下
yolo tasksegment modetrain datataco-seg.yaml modelyolov8n-seg-taco.yaml epochs100 batch16 imgsz640 device0 nametaco-seg这里data参数用于指定数据集配置文件model参数用于指定模型配置文件如果不知道有哪些参数可以参考ultralytics/cfg/default.yaml文件这个文件里面包含所有需要的参数。需要注意的是我这里指定的模型配置文件名为yolov8n-seg-taco.yaml但是前面我创建的文件名为yolov8-seg-taco.yaml这是为什么呢因为我这里想使用的模型是yolov8n。假如我想使用yolov8x模型那么训练的时候设置参数modelyolov8x-seg-taco.yaml就可以了。
训练的结果保存在runs/segment/taco-seg目录下其中权重保存在该目录下的weights文件夹中。
3. 结果
训练完成后我们可以调用命令测试一下模型的效果
yolo tasksegment modepredict modelruns/segment/taco-seg/weights/best.pt source/home/test/TACO/data/images/batch_9/000096.jpg showTrue下面是我在测试集的两张图片上测试的结果
