体育设施建设发布有没有网站,免费行业报告网站,网页制作软件怎么下载,苏州公司企业网站建设来源#xff1a;投稿 作者#xff1a;LSC 编辑#xff1a;学姐 数据介绍
数据集共包括40000张训练图像和1000张测试图像#xff0c;每张训练图像对应xml标注文件#xff1a; 共包含3类#xff1a;0:head, 1:helmet, 2:person。
提交格式要求#xff0c;提交名为pred_r… 来源投稿 作者LSC 编辑学姐 数据介绍
数据集共包括40000张训练图像和1000张测试图像每张训练图像对应xml标注文件 共包含3类0:head, 1:helmet, 2:person。
提交格式要求提交名为pred_result.txt的文件——每一行代表一个目标每一行内容分别表示图像名 置信度 xmin ymin xmax ymax类别 「限制只能使用paddle框架和aistudio平台运行代码」
总体思路
使用paddlex框架模型选取ppyolov2模型。
!pip install paddleximport paddlex as pdx
from paddlex import transforms as T## 数据增强train_transforms T.Compose([T.MixupImage(mixup_epoch-1), T.RandomDistort(),T.RandomExpand(im_padding_value[123.675, 116.28, 103.53]), T.RandomCrop(),T.RandomHorizontalFlip(), T.BatchRandomResize(target_sizes[192, 224, 256, 288, 320, 352, 384, 416, 448, 480, 512],interpRANDOM), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225])
])eval_transforms T.Compose([T.Resize(target_size320, interpCUBIC), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225])
])import osf open(work/total.txt, w, encodingutf-8)
for i in os.listdir(work/helmet/train/images/):voc annotations/ i[:-3] xml f.write(images/ i \t voc \n)
f.close()# 最后一行是错误格式手动删除f open(work/test.txt, w, encodingutf-8)
for i in os.listdir(work/helmet/test/images/):voc annotations/ i[:-3] xml f.write(images/ i \t voc \n)
f.close()from sklearn.utils import shufflef open(work/total.txt, r, encodingutf-8)
total f.readlines()ratio 0.9
total shuffle(total, random_state 100)
train_len int(len(total) * ratio)train total[:train_len]
val total[train_len:]f1 open(work/train.txt, w, encodingutf-8)
for i in train:f1.write(i)
f1.close()f2 open(work/val.txt, w, encodingutf-8)
for i in val:f2.write(i)
f2.close()f.close()#手动创建label.txt
数据导入
train_dataset pdx.datasets.VOCDetection(data_dirwork/helmet/train/,file_listwork/train.txt,label_listwork/label.txt,transformstrain_transforms,shuffleTrue)test_dataset pdx.datasets.VOCDetection(data_dirwork/helmet/test/,file_listwork/test.txt,label_listwork/label.txt,transformseval_transforms)eval_dataset pdx.datasets.VOCDetection(data_dirwork/helmet/train/,file_listwork/val.txt,label_listwork/label.txt,transformseval_transforms)# 在训练集上聚类生成9个anchor
anchors train_dataset.cluster_yolo_anchor(num_anchors9, image_size608)
anchor_masks [[6, 7, 8], [3, 4, 5], [0, 1, 2]]#开始训练
num_classes len(train_dataset.labels)
model pdx.det.PPYOLOv2(num_classesnum_classes,backboneResNet101_vd_dcn,anchorsanchors,anchor_masksanchor_masks,label_smoothTrue)model.train(num_epochs100,train_datasettrain_dataset,train_batch_size8,eval_dataseteval_dataset,pretrain_weightsCOCO,learning_rate0.005 / 12,warmup_steps500,warmup_start_lr0.0,save_interval_epochs5,# lr_decay_epochs[25, 75],save_diroutput1/,use_vdlFalse,early_stopTrue,
early_stop_patience5)# 使用之前最好的模型继续训练
model.train(num_epochs100,train_datasettrain_dataset,train_batch_size8,eval_dataseteval_dataset,# pretrain_weightsCOCO,learning_rate0.005 / 12,warmup_steps500,warmup_start_lr0.0,save_interval_epochs5,# lr_decay_epochs[25, 75],save_diroutput2/,pretrain_weightsoutput1/best_model/model.pdparams,use_vdlFalse,early_stopTrue,
early_stop_patience5)# 导入最好的模型评估模型效果
model pdx.load_model(output1/best_model)
model.evaluate(eval_dataset, batch_size8, metricNone, return_detailsFalse)# 模型推理生成的两个文本文件就是最终提交的结果
image_dirs work/helmet/test/images/
f1 open(work/pred_result1.txt, w, encodingutf-8) # 只写阈值大于0.5的
f2 open(work/pred_result2.txt, w, encodingutf-8) # 全部写
for image_name in os.listdir(image_dirs):result model.predict(image_dirs image_name)for i in range(len(result)):xmin, ymin int(result[i][bbox][0]), int(result[i][bbox][1])xmax, ymax int(xmin result[i][bbox][2]), int(ymin result[i][bbox][3])if result[i][score] 0.5:f1.write(image_name[:-4] str(result[i][score]) str(xmin) str(ymin) str(xmax) str(ymax) \ str(result[i][category_id]) \n)f2.write(image_name[:-4] str(result[i][score]) str(xmin) str(ymin) str(xmax) str(ymax) \ str(result[i][category_id]) \n)
f1.close()
f2.close()最终mAP值达到62.77648。
后续可以使用PaddleDetection框架进行优化选取其中的ppyoloplus模型或者PaddleYOLO框架中的yolov5、yolov6、yolox、yolov7模型。ppyoloplus模型优化后的效果可以达到65%以上。
关注下方《学姐带你玩AI》
回复“all in”免费领取kaggle往期赛新赛资料包
码字不易欢迎大家点赞评论收藏
