yolo v2 之車牌檢測(cè)

Rainbow_Heaven 2017-10-17

展開全文

一、前言

本文主要使用yolo v2 訓(xùn)練自己的車牌圖片數(shù)據(jù),，并能夠框出測(cè)試圖片中存在的車牌區(qū)域,，也即車牌檢測(cè)。本文參考了博文http://m.blog.csdn.net/qq_34484472/article/details/73135354和http://blog.csdn.net/zhuiqiuk/article/details/72722227

二,、準(zhǔn)備工作

首先需要下載正確配置好darknet,，使用./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg 命令可得檢測(cè)結(jié)果。本文主要是為了檢測(cè)車牌區(qū)域，在darknet下新建一文件夾plate_imgae,，其中存放train和val,、pic三個(gè)文件夾，train文件夾下為1296張訓(xùn)練圖片,，val文件夾下為196張驗(yàn)證圖片,，pic為236張待檢測(cè)的圖片，圖片格式均為jpg格式,，訓(xùn)練模型主要用到train和val這兩個(gè)文件夾,。

三、制作標(biāo)簽文件

yolo v2使用VOC格式的數(shù)據(jù)集,，故這里首先需要對(duì)訓(xùn)練集及驗(yàn)證集的圖片進(jìn)行標(biāo)注,，每張圖片均可得到相應(yīng)的xml文件，然后再將xml文件轉(zhuǎn)化為txt標(biāo)簽文件,。參考這里http://blog.csdn.net/jesse_mx/article/details/53606897 安裝標(biāo)注工具LabelImg,，安裝完成后，./labelImg.py打開標(biāo)注工具,，先對(duì)train文件夾內(nèi)的圖片作標(biāo)注,，在plate_image文件夾下新建train_xml文件夾，用于存放生成的xml文件,。所生成的xml文件如下所示:

同樣的方法，也在在plate_image文件夾下新建val_xml文件夾,，保存驗(yàn)證集的xml標(biāo)注文件。這樣就有VOC格式標(biāo)記的XML文件，接下來需要將xml文件轉(zhuǎn)換為txt文件,，使用python轉(zhuǎn)換,，將train_xml中的xml文件，轉(zhuǎn)換為txt保存于文件夾train_txt下,；同理,，將val_xml中的xml文件轉(zhuǎn)換后保存于val_txt文件夾下

[python] view plain copy

print?

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
xml_label_Dir = 'train_xml' #需轉(zhuǎn)換的xml路徑
txt_label_Dir = 'train_txt/' #轉(zhuǎn)換得的txt文件保存路徑
def convert(size, box): #歸一化操作
dw = 1./size[0]
dh = 1./size[1]
x = (box[0] + box[1])/2.0
y = (box[2] + box[3])/2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x*dw
w = w*dw
y = y*dh
h = h*dh
return (x,y,w,h)
if not os.path.exists(txt_label_Dir):
os.makedirs(txt_label_Dir)
for rootDir,dirs,files in os.walk(xml_label_Dir):
for file in files:
file_name = file.split('.')[0]
out_file = open(txt_label_Dir+'%s.txt'%(file_name),'w')
in_file = open("%s/%s"%(rootDir,file))
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
bb = convert((w,h), b)
out_file.write("0" + " " + " ".join([str(a) for a in bb]) + '\n') #only one class,index 0
out_file.close()

接著還需要獲得訓(xùn)練集圖片的絕對(duì)路徑train_imgae_path.txt和驗(yàn)證集的絕對(duì)路徑val_image_path.txt，同樣使用以下python代碼

[python] view plain copy

print?

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
TrainDir = '/home/jyang/darknet/plate_image/train'
out_file = open('train_image_path.txt','w')
for root,dirs,files in os.walk(TrainDir):
for file in files:
out_file.write('%s/%s\n'%(root,file))
out_file.close()

YOLO是直接通過替換原圖片絕對(duì)路徑的后綴名來找到對(duì)應(yīng)標(biāo)記文件的,。比如原圖片的絕對(duì)路徑為/home/ubuntu/data/train/1.jpg,。則YOLO將會(huì)直接認(rèn)為其對(duì)應(yīng)的標(biāo)記文件路徑為/home/ubuntu/data/train/1.txt。所以,，我們將之前生成的txt文件都放到相應(yīng)的圖片路徑下,，即將train_txt下txt文件放到train文件夾下，將val_txt下txt文件放到val文件夾下

看看plate_image下都有啥,。

四,、修改配置文件

(1)創(chuàng)建names文件

在YOLO主目錄的data文件夾下，創(chuàng)建一個(gè).names文件，文件名任意,，我的是myClass.names,，在該文件中寫入所有類別的名稱，每一類占一行,，我只檢測(cè)車牌,，故只在第一行寫licence.

(2)修改data文件

修改darknet主目錄下的 cfg/voc.data文件，修改如下：

[python] view plain copy

print?

classes= 1 #只有一個(gè)類別
train = /home/jyang/darknet/plate_image/train_image_path.txt #訓(xùn)練集的絕對(duì)路徑
valid = /home/jyang/darknet/plate_image/val_image_path.txt #驗(yàn)證集的絕對(duì)路徑
names = data/myClass.names
backup = /home/jyang/darknet/plate_image/backup #訓(xùn)練得的模型保存路徑

(3)修改cfg文件

修改darknet主目錄下的cfg/yolo-voc.cfg,。

1.[region]層中classes改為1

2.[region]層上方的[convolution]層中,，filters的數(shù)量改成（classes+coords+1）*NUM。我這里改成了(1+4+1)*5=30.

五,、修改src/yolo.c文件

1.第13行改成 char *voc_names[] = {"licence"}; //如果你是一類的話,，就改成這樣，如果你有多類,，自己根據(jù)需求改,。

2.第322行draw_detections函數(shù)中，最后一個(gè)參數(shù)由20改成你的類別數(shù),，我這里是1

3.第354行demo函數(shù)中,，倒數(shù)第三個(gè)參數(shù)由20改成你的類別數(shù)，我這里是1

4.第17行改成 char *train_images = "<你的路徑>/train_imgae_path";

5.第18行改成 char *backup_directory = "你的路徑/backup/";

6.第121行改成 char *base = "results/comp4_det_test_"

7.第123行改成 list *plist = get_paths("<你的路徑>/val_image_path.txt");

8.第209行改成 char *base = "results/comp4_det_test_"

9.第210行改成 list *plist = get_paths("<你的路徑>/val_image_path.txt");

10.將src/yolo_kernels.cu文件中,，第62行draw_detections函數(shù)最后一個(gè)參數(shù)由20改成你的類別數(shù),，我這里是1.

11.scripts/voc_label.py 文件中，位置第9行改成：classes=[“l(fā)icence”],，因?yàn)槲抑挥幸活?/p>

12.將src/detector.c文件中,，第372行改成 list *plist = get_paths("<你的路徑>/val_image_path.txt");，第542行option_find_int函數(shù)的最后一個(gè)參數(shù)由20改成1.

六,、重新編譯darknet yolo

進(jìn)入darknet主目錄,，make clean后 make -j8

七、下載預(yù)訓(xùn)練文件cfg/darknet19_448.conv.23

為了加快訓(xùn)練速度,，下載官方提供的預(yù)訓(xùn)練模型,，保存至cfg下。下載地址為

http:///media/files/darknet19_448.conv.23

八,、訓(xùn)練

在darknet文件夾路徑下運(yùn)行命令：

./darknet detector train cfg/voc.data cfg/yolo-voc.cfg cfg/darknet19_448.conv.23
系統(tǒng)默認(rèn)會(huì)迭代45000次batch,，如果需要修改訓(xùn)練次數(shù)，進(jìn)入cfg/yolo_voc.cfg修改max_batches的值,。

九,、訓(xùn)練過程輸出log

參考自這篇文章http://blog.csdn.net/renhanchi/article/details/71077830?locationNum=13&fps=1，以下摘自這篇文章

Region Avg IOU：這個(gè)是預(yù)測(cè)出的bbox和實(shí)際標(biāo)注的bbox的交集除以他們的并集,。顯然,，這個(gè)數(shù)值越大，說明預(yù)測(cè)的結(jié)果越好

Avg Recall：這個(gè)表示平均召回率，意思是檢測(cè)出物體的個(gè)數(shù) 除以標(biāo)注的所有物體個(gè)數(shù),。

count：標(biāo)注的所有物體的個(gè)數(shù),。如果 count = 6， recall = 0.66667,，就是表示一共有6個(gè)物體（可能包含不同類別,，這個(gè)不管類別），然后我預(yù)測(cè)出來了4個(gè),，所以Recall 就是 4 除以 6 = 0.66667

有一行跟上面不一樣的,，最開始的是iteration次數(shù)，然后是train loss,，然后是avg train loss,，然后是學(xué)習(xí)率，然后是一batch的處理時(shí)間,，然后是已經(jīng)一共處理了多少張圖片,。重點(diǎn)關(guān)注 train loss 和avg train loss，這兩個(gè)值應(yīng)該是隨著iteration增加而逐漸降低的,。如果loss增大到幾百那就是訓(xùn)練發(fā)散了,，如果loss在一段時(shí)間不變，就需要降低learning rate或者改變batch來加強(qiáng)學(xué)習(xí)效果,。當(dāng)然也可能是訓(xùn)練已經(jīng)充分,。這個(gè)需要自己判斷

十、評(píng)估訓(xùn)練得的模型

訓(xùn)練了3天,，得到了迭代30000次的權(quán)值,，在plate_image/backup/下生成了yolo-voc_30000.weights，當(dāng)然還有其他迭代次數(shù)的權(quán)值,，使用以下語句可以測(cè)試單張圖片

./darknet detector test cfg/voc.data cfg/yolo-voc.cfg plate_image/backup/yolo-voc_30000.weights plate_image/pic/099999.jpg

顯示的檢測(cè)結(jié)果為

訓(xùn)練的時(shí)候只是用到了訓(xùn)練集,，評(píng)估檢測(cè)性能才會(huì)使用到驗(yàn)證集,。使用以下指令評(píng)估

root@computer:/home/jyang/darknet# ./darknet detector recall cfg/voc.data cfg/yolo-voc.cfg plate_image/backup/yolo-voc_30000.weights

根據(jù)參考的第2篇博文,，使用該指令的時(shí)候，會(huì)調(diào)用src/detector.c里的validate_detector_recall函數(shù),，將其中的閾值從0.001修改為0.25,，防止過多框被識(shí)別出，將432行代碼修改為如下：

[cpp] view plain copy

print?

fprintf(stderr, "Id:%5d Correct:%5d Total%5d\tRPs/Img: %.2f\tIOU: %.2f\tRecall:%.2f%%\tPrecision:%.2f%%\n", i,
correct, total, (float)proposals/(i+1), avg_iou*100/total, 100.*correct/total ,100.*correct/proposals);

重新make之后,，運(yùn)行結(jié)果為：

可見196張圖片,，準(zhǔn)確率有97%以上。

結(jié)語

本文只是使用了yolo v2 檢測(cè)了車牌,，后續(xù)對(duì)框下來的車牌圖片作識(shí)別,，請(qǐng)看《yolo v2之車牌檢測(cè)后續(xù)識(shí)別字符（一）》

本站是提供個(gè)人知識(shí)管理的網(wǎng)絡(luò)存儲(chǔ)空間，所有內(nèi)容均由用戶發(fā)布，不代表本站觀點(diǎn),。請(qǐng)注意甄別內(nèi)容中的聯(lián)系方式,、誘導(dǎo)購買等信息，謹(jǐn)防詐騙,。如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容,，請(qǐng)點(diǎn)擊一鍵舉報(bào)。

轉(zhuǎn)藏 分享

QQ空間 QQ好友新浪微博微信

獻(xiàn)花（0） +1

來自： Rainbow_Heaven > 《目標(biāo)檢測(cè)》

舉報(bào)/認(rèn)領(lǐng)