目錄
- 1：提前準(zhǔn)備好自己的數(shù)據(jù)集
- 2：下載github存儲庫
- 3：修改config.py
- 4：訓(xùn)練
- 5：測試
可能是由于yolact官方更新過其項(xiàng)目代碼，所以網(wǎng)上其他人的yolact訓(xùn)練使用的config文件和我的稍微有區(qū)別。但總體還是差不多的。
1：提前準(zhǔn)備好自己的數(shù)據(jù)集
使用labelme來制作分割數(shù)據(jù)集，但是得到的是一個(gè)個(gè)單獨(dú)的json文件。需要將其轉(zhuǎn)換成coco。
labelme2coco.py如下所示（代碼來源：github鏈接）：
import os
import json
import numpy as np
import glob
import shutil
from sklearn.model_selection import train_test_split
np.random.seed(41)
#0為背景，此處根據(jù)你數(shù)據(jù)集的類別來修改key
classname_to_id = {"1": 1}
class Lableme2CoCo:
def __init__(self):
self.images = []
self.annotations = []
self.categories = []
self.img_id = 0
self.ann_id = 0
def save_coco_json(self, instance, save_path):
json.dump(instance, open(save_path, 'w', encoding='utf-8'), ensure_ascii=False, indent=1) # indent=2 更加美觀顯示
# 由json文件構(gòu)建COCO
def to_coco(self, json_path_list):
self._init_categories()
for json_path in json_path_list:
obj = self.read_jsonfile(json_path)
self.images.append(self._image(obj, json_path))
shapes = obj['shapes']
for shape in shapes:
annotation = self._annotation(shape)
self.annotations.append(annotation)
self.ann_id += 1
self.img_id += 1
instance = {}
instance['info'] = 'spytensor created'
instance['license'] = ['license']
instance['images'] = self.images
instance['annotations'] = self.annotations
instance['categories'] = self.categories
return instance
# 構(gòu)建類別
def _init_categories(self):
for k, v in classname_to_id.items():
category = {}
category['id'] = v
category['name'] = k
self.categories.append(category)
# 構(gòu)建COCO的image字段
def _image(self, obj, path):
image = {}
from labelme import utils
img_x = utils.img_b64_to_arr(obj['imageData'])
h, w = img_x.shape[:-1]
image['height'] = h
image['width'] = w
image['id'] = self.img_id
image['file_name'] = os.path.basename(path).replace(".json", ".jpg")
return image
# 構(gòu)建COCO的annotation字段
def _annotation(self, shape):
label = shape['label']
points = shape['points']
annotation = {}
annotation['id'] = self.ann_id
annotation['image_id'] = self.img_id
annotation['category_id'] = int(classname_to_id[label])
annotation['segmentation'] = [np.asarray(points).flatten().tolist()]
annotation['bbox'] = self._get_box(points)
annotation['iscrowd'] = 0
annotation['area'] = 1.0
return annotation
# 讀取json文件，返回一個(gè)json對象
def read_jsonfile(self, path):
with open(path, "r", encoding='utf-8') as f:
return json.load(f)
# COCO的格式： [x1,y1,w,h] 對應(yīng)COCO的bbox格式
def _get_box(self, points):
min_x = min_y = np.inf
max_x = max_y = 0
for x, y in points:
min_x = min(min_x, x)
min_y = min(min_y, y)
max_x = max(max_x, x)
max_y = max(max_y, y)
return [min_x, min_y, max_x - min_x, max_y - min_y]
if __name__ == '__main__':
labelme_path = "labelme/" # 此處根據(jù)你的數(shù)據(jù)集地址來修改
saved_coco_path = "./"
# 創(chuàng)建文件
if not os.path.exists("%scoco/annotations/"%saved_coco_path):
os.makedirs("%scoco/annotations/"%saved_coco_path)
if not os.path.exists("%scoco/images/train2017/"%saved_coco_path):
os.makedirs("%scoco/images/train2017"%saved_coco_path)
if not os.path.exists("%scoco/images/val2017/"%saved_coco_path):
os.makedirs("%scoco/images/val2017"%saved_coco_path)
# 獲取images目錄下所有的joson文件列表
json_list_path = glob.glob(labelme_path + "/*.json")
# 數(shù)據(jù)劃分,這里沒有區(qū)分val2017和tran2017目錄，所有圖片都放在images目錄下
train_path, val_path = train_test_split(json_list_path, test_size=0.12)
print("train_n:", len(train_path), 'val_n:', len(val_path))
# 把訓(xùn)練集轉(zhuǎn)化為COCO的json格式
l2c_train = Lableme2CoCo()
train_instance = l2c_train.to_coco(train_path)
l2c_train.save_coco_json(train_instance, '%scoco/annotations/instances_train2017.json'%saved_coco_path)
for file in train_path:
shutil.copy(file.replace("json","jpg"),"%scoco/images/train2017/"%saved_coco_path)
for file in val_path:
shutil.copy(file.replace("json","jpg"),"%scoco/images/val2017/"%saved_coco_path)
# 把驗(yàn)證集轉(zhuǎn)化為COCO的json格式
l2c_val = Lableme2CoCo()
val_instance = l2c_val.to_coco(val_path)
l2c_val.save_coco_json(val_instance, '%scoco/annotations/instances_val2017.json'%saved_coco_path)
只需要修改兩個(gè)地方即可，然后放到data文件夾下。
最后，得到的coco格式的數(shù)據(jù)集如下所示：
至此，數(shù)據(jù)準(zhǔn)備已經(jīng)結(jié)束。
2：下載github存儲庫
網(wǎng)址：YOLACT
之后解壓，但是我解壓的時(shí)候不知道為啥沒有yolact.py這個(gè)文件。后來又建了一個(gè)py文件，復(fù)制了里面的代碼。
下載權(quán)重文件，把權(quán)重文件放到y(tǒng)olact-master下的weights文件夾里（沒有就新建）：
3：修改config.py
文件所在位置：
修改類別，把原本的coco的類別全部注釋掉，修改成自己的（如紅色框），注意COCO_CLASSES里有一個(gè)逗號。
修改數(shù)據(jù)集地址dataset_base：
修改coco_base_config（下面第二個(gè)橫線max_iter并不是控制訓(xùn)練輪數(shù)的，第二張圖中的max_iter才是）
4：訓(xùn)練
cd到指定路徑下，執(zhí)行下面命令即可
python train.py --config=yolact_base_config
剛開始：
因?yàn)槲沂亲獾脑品?wù)器，在jupyter notebook里訓(xùn)練的。輸出的訓(xùn)練信息比較亂。
訓(xùn)練幾分鐘后：
主要看T后面的數(shù)字即可，好像他就是總的loss，如果它收斂了，按下Ctrl+C，即可中止訓(xùn)練，保存模型權(quán)重。
第一個(gè)問題：
PytorchStreamReader failed reading zip archive: failed finding central directory
第二個(gè)問題：
（但是不知道為啥，我訓(xùn)練時(shí)如果中斷，保存的模型不能用來測試，會爆出下面的錯(cuò)誤）
RuntimeError: unexpected EOF, expected *** more bytes. The file might be corruptrd
沒辦法解決，所以只能跑完，自動結(jié)束之后保存的模型拿來測試（自動保存的必中斷保存的要大十幾兆）
模型保存的格式：config>_epoch>_iter>.pth。如果是中斷的：config>_epoch>_iter>_interrupt.pth
5：測試
使用官網(wǎng)的測試命令即可
以上就是python 使用Yolact訓(xùn)練自己的數(shù)據(jù)集的詳細(xì)內(nèi)容，更多關(guān)于python 訓(xùn)練數(shù)據(jù)集的資料請關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- 如何用 Python 處理不平衡數(shù)據(jù)集
- python實(shí)現(xiàn)將兩個(gè)文件夾合并至另一個(gè)文件夾(制作數(shù)據(jù)集)
- python實(shí)現(xiàn)提取COCO,VOC數(shù)據(jù)集中特定的類
- python KNN算法實(shí)現(xiàn)鳶尾花數(shù)據(jù)集分類
- python Pandas如何對數(shù)據(jù)集隨機(jī)抽樣
- python調(diào)用攝像頭拍攝數(shù)據(jù)集
- python實(shí)現(xiàn)多層感知器MLP（基于雙月數(shù)據(jù)集）
- Python 統(tǒng)計(jì)數(shù)據(jù)集標(biāo)簽的類別及數(shù)目操作
