AI学习者 · 2021年07月07日

YOLOv5 实现无人机识别

转载于:openCV
作者:yuejich

引言

YOLOv5发布至今,已经迭代多个版本,是唯一基于pytorch框架的YOLO系列的模型框。简单易用,特别适合自定义目标检测与对象检测。只要用了Pytorch版本YOLOv5框架,可以毫不夸张的说两个小时就可以学会目标检测。

01

第一步数据准备

想用视觉识别一下空中飞行的无人机,识别对象有:

1:鸟类bird
2:无人机UAV
3:直升机helicopter

想通过自己创建一个数据集,训练yolov5,在调用detect.py来识别一下效果。

百度了一下,发现无法获取别人已经标注好的数据集。(这里提醒大家,自己做数据集不费时间,给100多张图打标签label就行,用不了半个小时)图片就从百度搜索就行,我们的目的是感性的认识这套牛掰的算法,100张图训练个几个小时就可以出来很好的效果,还有不用非要显卡,虽然我的电脑有显卡,但是装pytorch的显卡cuda版本的总是出错,索性不弄了,直接用cpu版本,cpu版本的pytorch包还小,一会儿就能安装好,这100张图我训练了100个epoch花费了3到4个小时,我的电脑的cpu是i7-9700的)

我是从百度上找了大概130多张图片,我截个图:

image.png

用labelimage打上标签,所有的标签数量大概也就200来个吧!不会用labelimgage制作数据集的同学可以看这里:

https://github.com/tzutalin/labelImg

yolo的数据文件夹格式又要巩固一下了,先建一个数据文件夹data,在数据文件夹data目录下面建图像文件夹images和标签文件夹labels,然后在images文件夹下面建立训练数据集train和验证集val(validation的缩写,验证校验的意思),在labels的文件夹下面也是建立train和val两个文件夹,分别放训练集和验证集的标签。

另外说一下验证集,验证集里面我找了26张图片,标记了40个左右的labels吧,所以所有的数据加起来大概150张图片。

我放一个图片看一下验证集里面的图片如下图:

image.png

到这里为止,所有的数据基本整理完毕,另外还需要几张测试的图片,到测试的时候再从网上找就是了。

02

配置与修改参数

这里下载yolov5的源码就不写怎么下载了,自己百度就好,相对难度低,我是从gitee上下载的,github总是卡,这个源码也没有多大,几分钟的时间就下载好了。下面直接写怎么改一下代码训练自己制作好的无人机的数据集。

分步骤写吧

首先:明确思路

怎么训练这个算法?我要训练什么模型?我要拿这个模型做什么?这些问题是在训练这个算法的时候首先要想的问题。

回答:

我要训练一个模型能够识别空中飞行的无人机,并打上红框label,空中的复杂环境下可能不只有无人机,会有鸟、树、白云、直升机、飞机等等其他干扰因素印象,简单起见,我又加上了鸟bird和直升机helicopter,所以用yolov5分类nc(number class)为3个,也就是无人机UAV、鸟bird、直升机、helicopter,看下图,建立一个数据信息文件,文件格式yaml

image.png

我把这个文件名保存成了chenchen.yaml

训练集图片train在uav\_train下面的data里面,训练集也是,这个文件不用写标签label的地址,因为文件夹结构是定的,程序会自动判断出label的位置。

chenchen.yaml文件里面的nc改成2,names改成自己的,也就是uav bird 和helicopter

下面我贴两张图片,这两张图片是我训练了100张图后,测试的标签和测试的预测,基本上框的位置已经很好了,只有左上角的这个直升机helicopter没有被识别出来,这个我感觉是因为我找的直升机图片的问题,这个直升机图片有点特别,训练数据中这样的图片少的原因。

image.png

总结:思路明确了,就是做一个三分类模型,无人机、鸟、直升机,

其次修改train.py文件

思路确定了后就是训练这个模型了,我们已经把数据集准备好了,现在就训练这个模型。下载下来的yolo源码里面的train.py文件,我截图一下:
image.png

这个是train.py文件

第一:导入各种依赖包;
第二:定义train函数方法,主要的就是这个train方法;
第三:主程序;

解释一下,各种依赖包不用解释,train方法就是作者的核心了,简单解释就是yolo算法的原理,主程序里面就是调用tran方法画框框,(到目前位置我能给的解释也只有这么多,我没有花费时间研究,我感性上的理解应该是这样)

这个文件中主要要修改的参数是什么呢?

下面这张图中我给出了箭头

image.png

第一个箭头:

yolov5s.pt,这个是权重文件,用的是s版本,small,yolov5的权重文件不同分为几个不同版本,这里我用的是s版本,这里可以认为是模型的初始权重,

第二个箭头:

这个yolov5s.yaml文件我保存到了uav\_train文件夹里面,这个文件是配置yolov5模型的,叫做配置文件吧,等下这个文件我截图一下,这个文件也要改一个地方。

第三个箭头:

就是数据文件,就是上面定义的一个chenchen.yaml文件,这里有训练数据集的地址。

第四个箭头:

是epoch,我写的是100,大家也可以改成10试一下,20分钟训练完成,我当时做了一下,10个epoch效果很差,100个的时候效果就是我视频的效果,都能到70%准确率以上。

第五个箭头:

是batch,我是16张图片一个batch

第二个箭头解释图片如下:
image.png

这里是这个算法的配置文件,最终输出的类别是3,这改成3保存就行,其他的能看出来这个里面是yolo的架构,我也不会解释,有想了解的可以自己百度。

总结:到这里train.py就修改完毕了

03

训练与测试

到这里就可以训练了,我用的是pycharm这个集成环境,所以选中train.py文件直接右键运行就可以
image.png

下面就是漫长的训练时间,只有等着

其实这一步可以不用,test.py文件主要是用来测试验证集val的,这里和训练一样,不要把训练好的权重文件的地址换一下,就是best.pt文件,data的参数改一下,改成chenchen.yaml就可以。最激动人心的是第五步,就是训练好的模型验证一下其他的图片,看看效果怎么样。

测试新图片,新视频看效果

这个文件是detect.py,我截图看下:
image.png
这里有四个箭头

第一个:训练好的最好的权重文件,加载上
第二个:我从百度找了一个视频文件保存成了666.mp4
第三个:置信度,我这里其实可以写0.7,
第四个:iou,

解释:如果训练的epoch少,可以把三四箭头改小点,要不然视频和图片中不会被标记出,会让你误认为自己训练的不对。

END

推荐阅读

更多嵌入式AI技术干货请关注嵌入式AI专栏。
推荐阅读
关注数
16328
内容数
1218
嵌入式端AI,包括AI算法在推理框架Tengine,MNN,NCNN,PaddlePaddle及相关芯片上的实现。欢迎加入微信交流群,微信号:aijishu20(备注:嵌入式)
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
安谋科技学堂公众号
关注安谋科技学堂
实时获取安谋科技及 Arm 教学资源
安谋科技招聘公众号
关注安谋科技招聘
实时获取安谋科技中国职位信息