人工智能-深度学习-yolov3口罩佩戴识别

清疚 2022-09-08 12:57 188阅读 0赞

# 一.基础环境 #

windows 10
    cuda 10.0
    python3.7.4
    tensorflow-gpu 1.14.0
    keras2.24
    numpy==1.16.5

# 二.下载keras-yolo3代码 #

**从github上下载:**

https://github.com/qqwweee/keras-yolo3

**代码解构如下:**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_12_color_FFFFFF_t_70_g_se_x_16_pic_center]

# 三.下载权重并测试 #

**本项目所用权重文件:**  
[权重文件][Link 1]  
**官方提供的地址:**  
[yolov3.weights][]  
[yolov3-tiny.weights][]

**共有两个权重文件 yolov3.weights 和 yolov3-tiny.weights, 原始代码以 yolov3.weights 为基础,我们先进行一下测试, 我们需要将 darknet 下的 yolov3 配置文件转换成 keras 适用的 h5 文件, 根目录下执行命令:**

python convert.py yolov3.cfg yolov3.weights model_data/yolo_weights.h5

**输出如下命令则代表执行成功, model\_data文件夹下会生成 yolo\_weights.h5 文件:**

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_25_color_FFFFFF_t_70_g_se_x_16_pic_center]

**进行图片测试, 项目根目录cmd下执行:**

python yolo_video.py --image

**输入图片位置:**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_14_color_FFFFFF_t_70_g_se_x_16_pic_center]  
**输出:**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_13_color_FFFFFF_t_70_g_se_x_16_pic_center]  
**则原模型运行成功**

# 四.利用 yolov3-tiny 模型进行训练 #

**口罩识别中, 我们采用 yolov3-tiny.weights 作为基础权重, 以增加些训练和测试时的速度  
将 yolov3-tiny.weights 复制到项目的根目录下。**

**我们需要将 darknet 下的 yolov3 文件转换成 keras 适用的 h5 文件, 跟yolov3.weights转换一样，根目录下执行命令:**

python convert.py yolov3-tiny.cfg yolov3-tiny.weights model_data/tiny_yolo_weights.h5

**在进行测试前，我们需要修改下代码，将yolo.py对应的文件地址修改一下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_27_color_FFFFFF_t_70_g_se_x_16_pic_center]  
**进行图片测试, 项目根目录cmd下执行:**

python yolo_video.py --image

**输入图片位置:**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_13_color_FFFFFF_t_70_g_se_x_16_pic_center 1]  
**发现可以进行测试，只是效果远远不如 yolov3.weights，但是速度上是有优势的, 我们就基于yolov3-tiny 进行再训练。**

# 五.准备训练数据 #

## 1.数据标注 ##

**我们可以从网上找一些数据口罩的数据进行标注，可以使用便标注软件labelImg**  
**github地址：**[labelImg源码][labelImg] **下载后进行编译即可**  
**编译后的下载地址:** [labelImg软件][labelImg 1]

**利用软件进行标注:**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_37_color_FFFFFF_t_70_g_se_x_16_pic_center]  
**注:我们采用voc的数据样式就行, 其他一些框架也可以用**

## 2.创立文件夹 ##

**在根目录创建 VOCdevkit 文件夹, 再在该文件夹下创建 VOC2007 文件夹, 再在 VOC2007 文件夹下创建 Annotations、ImageSets、JPEGImages文件夹， 再在 ImageSets 文件夹下创建 Main 文件夹，目录格式如下:**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_11_color_FFFFFF_t_70_g_se_x_16_pic_center]  
**其中 Annotations 中放标注文件，JPEGImages 为原始图片**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_10_color_FFFFFF_t_70_g_se_x_16_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_8_color_FFFFFF_t_70_g_se_x_16_pic_center]

## 3.分割数据集 ##

**在 VOC2007 文件夹下建立文件 voc\_yolo.py 运行代码划分训练集:**

""" 拆分数据集为 训练集、测试集、验证集 """
    import os
    import random
    
    # 一. 设置数据集比例
    
    # 训练集的比率
    train_percent = 0.8
    # 测试集占测试验证集的百分比
    test_other_percent = 0.5
    
    
    # 二. 获取训练集,验证集和测试集的索引列表
    
    # 标注数据地址
    voc_annotations_path = 'Annotations'
    # 划分数据集的文件位置
    division_data_path = 'ImageSets/Main'
    
    # 获取所有的 标注数据 名称列表
    voc_annotations_list = os.listdir(voc_annotations_path)
    # 所有标注数据的个数
    voc_annotations_cnt = len(voc_annotations_list)
    
    # 生成 文件个数大小 的范围, 可以看成索引列表
    list_range = range(voc_annotations_cnt)
    
    # 获取训练集的个数
    train_cnt = int(voc_annotations_cnt * train_percent)
    # 从文件中随机获取 train_cnt 个训练验证集的索引
    train_index = random.sample(list_range, train_cnt)
    
    # 从文件中随机获取训练验证集的索引(全部索引与训练集做差集)
    train_val_index = list(set(list(list_range)).difference(set(train_index)))
    
    # 计算需要获取的测试训练集的个数
    test_val_cnt = voc_annotations_cnt - train_cnt
    # 计算测试集个数
    test_cnt = int(test_val_cnt * test_other_percent)
    # 计算验证集个数
    val_cnt = test_val_cnt - test_cnt
    
    # 测试集索引列表
    test_index = random.sample(train_val_index, test_cnt)
    # 验证集索引列表
    val_index = list(set(train_val_index).difference(set(test_index)))
    
    
    # 三. 将各个数据集名称写入到文件中
    
    # 训练集
    train_object = open('%s/train.txt' % division_data_path, 'w')
    # 测试集
    test_object = open('%s/test.txt' % division_data_path, 'w')
    # 验证集
    val_object = open('%s/val.txt' % division_data_path, 'w')
    
    train_names = [voc_annotations_list[i][:-4] + '\n' for i in train_index]
    train_object.writelines(train_names)
    train_object.close()
    
    test_names = [voc_annotations_list[i][:-4] + '\n' for i in test_index]
    test_object.writelines(test_names)
    test_object.close()
    
    val_names = [voc_annotations_list[i][:-4] + '\n' for i in val_index]
    val_object.writelines(val_names)
    val_object.close()

**ImageSets/Main下为分好的训练接、测试集、验证集的文件名。**

## 4. 将voc格式转为yolo格式 ##

### 4.1 修改 voc\_annotation.py 文件class对应的类别，并执行该文件 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_25_color_FFFFFF_t_70_g_se_x_16_pic_center 1]

### 4.2 生成三个 txt 文件, 分别记录了图片的地址和标注的点位与类别 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_9_color_FFFFFF_t_70_g_se_x_16_pic_center]

# 六.修改配置文件 #

## 1. 修改 model\_data 文件夹下的 coco\_classes.txt 和 voc\_classes.txt ##

**修改自己要训练的类别**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_11_color_FFFFFF_t_70_g_se_x_16_pic_center 1]

## 2. 修改 yolov3-tiny.cfg 配置文件 ##

**搜索 \[yolo\]，修改对应位置的 classes 和 filters**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_18_color_FFFFFF_t_70_g_se_x_16_pic_center]

> classes 改为要训练的类别个数
> 
> filters = (classes + 5) \* 3

**yolov3-tiny.cfg 有两处 \[yolo\], 均按照此步骤修改**

## 3. 修改并执行 kmeans.py 文件 ##

**修改对应位置的文件名称并执行, 按数据重新生成候选框**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_23_color_FFFFFF_t_70_g_se_x_16_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_26_color_FFFFFF_t_70_g_se_x_16_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_23_color_FFFFFF_t_70_g_se_x_16_pic_center 1]

# 七.训练并测试 #

## 1.根目录下建立 logs/000 文件夹 ##

## 2.修改 train.py 文件 ##

**修改对应文件位置:**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_27_color_FFFFFF_t_70_g_se_x_16_pic_center 1]  
\*\*然后可以根据机器性能修改批尺寸 batch\_size \*\*

## 3.执行 train.py 进行训练 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_18_color_FFFFFF_t_70_g_se_x_16_pic_center 1]  
**接下来就是耐心等待, 根据数据量大小和机器算力, 需要训练几个小时甚至几天的时间。**

## 4.训练完成 ##

**训练完后, 在logs/000文件夹下会生成一些文件, 包括模型文件, 日志文件**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]  
**我们先查看下日志, 利用 tensorboard 查看, 在根目录执行:**

tensorboard --logdir=logs/000

**打开网址:**

http://localhost:6006/

**可查看相应日志**

## 5.测试 ##

### 5.1 测试图片 ###

**根目录执行：**

python yolo_video.py --image

**然后输入需要检测的图片地址即可:**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_16_color_FFFFFF_t_70_g_se_x_16_pic_center]

### 5.2 测试摄像头 ###

**将 yolo.py 文件中的 video\_path 改为 0 即可**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_30_color_FFFFFF_t_70_g_se_x_16_pic_center]**运行:**

python yolo_video.py

# 八.常见异常 #

## 1.执行 yolo\_video.py 或者 train.py 时报错 ##

**如果报错:**

tensorflow.python.framework.errors_impl.UnknownError: 2 root error(s) found.
      (0) Unknown: Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.
    	 [[{
       {node conv2d_1/convolution}}]]
    	 [[boolean_mask_120/GatherV2/_3383]]
      (1) Unknown: Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.
    	 [[{
       {node conv2d_1/convolution}}]]

**则加上如下代码:**

import tensorflow as tf
    config = tf.compat.v1.ConfigProto(allow_soft_placement=True)
    config.gpu_options.per_process_gpu_memory_fraction = 0.7
    tf.compat.v1.keras.backend.set_session(tf.compat.v1.Session(config=config))

**并可以通过此代码调节GPU的使用率**

## 2.报异常 ‘str’ object has no attribute ‘decode’ ##

load_weights_from_hdf5_group
        original_keras_version = f.attrs['keras_version'].decode('utf8')
    AttributeError: 'str' object has no attribute 'decode'

**重新安装 h5py 模块**

pip install h5py==2.10 -i https://pypi.tuna.tsinghua.edu.cn/simple/

需要代码和数据集的童鞋评论区留下邮箱哈！！！

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_12_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/a753f5caeefd4c18988b9a329e7c5603.png
[Link 1]: https://download.csdn.net/download/xyy1028/21226194
[yolov3.weights]: https://pjreddie.com/media/files/yolov3.weights
[yolov3-tiny.weights]: https://pjreddie.com/media/files/yolov3-tiny.weights
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_25_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/611ff8dc6bd242218ab1a7a6607cf7d0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_14_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/f3ecb176950c47db86890f8ad7d83611.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_13_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/ecf0827a29734866a077f35881a20a7b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_27_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/9da1bb6f083a4eda924fe6421105f7f0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_13_color_FFFFFF_t_70_g_se_x_16_pic_center 1]: /images/20220829/e97f1ce6f35d4329a35a5c1e7025eca4.png
[labelImg]: https://github.com/tzutalin/labelImg
[labelImg 1]: https://download.csdn.net/download/xyy1028/21303493
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_37_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/9d62d7de0b234e13aff54df124518a03.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_11_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/7f262d24284f435e818cd58a20043141.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_10_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/2b4bca4a3a4b4e6fa2a2e08ff8248450.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_8_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/5bd4b6d827e5492b984e15b714e7ad18.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_25_color_FFFFFF_t_70_g_se_x_16_pic_center 1]: /images/20220829/c69fd23cdd8140c38bd1d002e698d78c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_9_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/c97be8d2933d40ab90483ec58168187a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_11_color_FFFFFF_t_70_g_se_x_16_pic_center 1]: /images/20220829/7db3e7c58e5c4b549485fb463c9ed5f8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_18_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/8708d86b9fb0456ebc7566aeeba5224e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_23_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/790c0a572fe8432293852bb293309cd0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_26_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/a2cd63312b40464282349f88672e497f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_23_color_FFFFFF_t_70_g_se_x_16_pic_center 1]: /images/20220829/9cfbc37315b049ada07967ef90644613.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_27_color_FFFFFF_t_70_g_se_x_16_pic_center 1]: /images/20220829/e6c0ddcd3bf4460fad4d60bc0eb09a8e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_18_color_FFFFFF_t_70_g_se_x_16_pic_center 1]: /images/20220829/c59b7342366b4722ad96284d3f83ec43.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/b1bf6989703a4e98995a8e1fb91d742c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_16_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/e77f190fa5584a6591b80ad65640fb7e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_Q1NETiBA57qv5rSB55qE5bCP6a2U6ay8_size_30_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220829/fa902df0e20d4138bcc27251aade1101.png