【计算机视觉】基于 MMYOLO 的频高图实时目标检测 BENCHMARK

淩亂°似流年 2024-05-05 22:23 75阅读 0赞

#### 文章目录 ####

*   *  一、数据集构建
     *   *  1.1 数据集准备
         *  1.2 数据集格式转换
         *  1.3 浏览数据集
         *  1.4 划分训练集、验证集、测试集
     *  二、配置文件
     *   *  2.1 数据集分析
         *  2.2 可视化 config 中的数据处理部分
         *  2.3 优化 Anchor 尺寸
         *  2.4 模型复杂度分析
     *  三、训练和测试
     *   *  3.1 训练
         *  3.2 测试
     *  四、实验与结果分析
     *   *  4.1 选择合适的 batch size

### 一、数据集构建 ###

数字频高图是获取电离层实时信息最重要的途径。电离层结构检测对精准提取电离层关键参数，具有非常重要的研究意义。

利用中国科学院在海南、武汉、怀来获取的不同季节的 4311 张频高图建立数据集，使用 labelme 人工标注出 E 层、Es-c 层、Es-l 层、F1 层、F2 层、Spread F 层共 6 种结构。

![在这里插入图片描述][a291f69b1ae5464797a2ec6b6f4e5807.png]

#### 1.1 数据集准备 ####

下载数据后，放置在 MMYOLO 仓库的根目录下，使用 unzip test.zip 命令（linux）解压至当前文件夹。解压后的文件夹结构为：

Iono4311/
    ├── images
    |      ├── 20130401005200.png
    |      └── ...
    └── labels
           ├── 20130401005200.json
           └── ...

其中，images 目录下存放输入图片，labels 目录下存放使用 labelme 标注得到的 json 文件。

#### 1.2 数据集格式转换 ####

使用MMYOLO提供的 tools/dataset\_converters/labelme2coco.py 脚本将 labelme 格式的标注文件转换为 COCO 格式的标注文件。

python tools/dataset_converters/labelme2coco.py --img-dir ./Iono4311/images \
                                                    --labels-dir ./Iono4311/labels \
                                                    --out ./Iono4311/annotations/annotations_all.json

#### 1.3 浏览数据集 ####

使用下面的命令可以将 COCO 的 label 在图片上进行显示，这一步可以验证刚刚转换是否有问题。

python tools/analysis_tools/browse_coco_json.py --img-dir ./Iono4311/images \
                                                    --ann-file ./Iono4311/annotations/annotations_all.json

#### 1.4 划分训练集、验证集、测试集 ####

设置 70% 的图片为训练集，15% 作为验证集，15% 为测试集。

python tools/misc/coco_split.py --json ./Iono4311

[a291f69b1ae5464797a2ec6b6f4e5807.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/05/4e3e2144dab44d0685fef4cb0ba8bf34.png