zoukankan      html  css  js  c++  java
  • YOLO训练Pedestrain

    Pedestrain

    使用darknet训练:

    1. Inria

    1. 创建 yolo-inria.cfg

      从cfg/yolo-voc.2.0.cfg拷贝一份,修改batch=64, subdivisions=8, classes=1, 修改最后一个卷积层为filter=30。

      cp cfg/yolo-voc.2.0.cfg cfg/yolo-inria.cfg
      
    2. 创建data/inria.names

      里面只有一行:person

    3. 为每个图片创建label文件,形式如下:

      每个图片对应一个label文件,一个行人对应一行,object-class全为0。文件分别放在/home/guru_ge/dataset/INRIAPerson/Train/labels目录和/home/guru_ge/dataset/INRIAPerson/Test/labels目录。

      <object-class> <x> <y> <width> <height>
      
    4. 创建train.txt, test.txt

      所有训练图片的路径,每行一张图片,位置在/home/guru_ge/dataset/INRIAPerson/。
      data/obj/img1.jpg
      data/obj/img2.jpg
      data/obj/img3.jpg

    5. 创建data/inria.data

      修改train.txt, test.txt位置:

      classes= 1
      train  = /home/guru_ge/dataset/INRIAPerson/train.txt
      valid  = /home/guru_ge/dataset/INRIAPerson/test.txt
      names = data/obj.names
      backup = backup/
      
    6. 下载在ImageNet上预训练的darknet19模型

      wget http://pjreddie.com/media/files/darknet19_448.conv.23
      
    7. 开始训练

      ./darknet detector train data/inria.data cfg/yolo-inria.cfg darknet19_448.conv.23 -gpus 0
      

    结果

    在INRIA测试集上评测结果:

    ./darknet detector map cfg/inria.data cfg/yolo-inria.cfg backup/yolo-inria.backup -gpus 0
    

    class_id = 0, name = person, ap = 88.85 %
    for thresh = 0.24, precision = 0.95, recall = 0.86, F1-score = 0.90
    for thresh = 0.24, TP = 509, FP = 29, FN = 80, average IoU = 76.81 %

    mean average precision (mAP) = 0.888518, or 88.85 %
    Total Detection Time: 4.000000 Seconds

    测试图片:

    ./darknet detector test cfg/inria.data cfg/yolo-inria.cfg backup/yolo-inria.backup -gpus 0
    

     

    测试图片
    测试图片

     

    跑另外一个视频:

    ./darknet detector demo cfg/inria.data cfg/yolo-inria.cfg backup/yolo-inria.backup MOT16-06.mp4 -gpus 0
    

    效果:

     

    检测结果
    检测结果

     

    大小:

    416 x 416

    速度:

    CPU FPS: 0.2
    GPU FPS: 90

    问题:
    小目标检测不到

    2. caltech

    训练:

    	./darknet detector train cfg/caltech.data cfg/yolo-caltech.cfg darknet19_448.conv.23 -gpus 0 -dont_show
    

    每5帧提取一张,训练集45651张图片,测试集4406张图片。batch_size为64,迭代3万次左右开始收敛:

     

    loss
    loss

     

    评估:

    	./darknet detector map cfg/caltech.data cfg/yolo-caltech.cfg backup_caltech/yolo-caltech_40000.weights -gpus 0
    

    detections_count = 24968, unique_truth_count = 6465
    class_id = 0, name = person, 8 ap = 22.66 %
    for thresh = 0.24, precision = 0.41, recall = 0.22, F1-score = 0.29
    for thresh = 0.24, TP = 1431, FP = 2053, FN = 5034, average IoU = 27.87 %

    mean average precision (mAP) = 0.226584, or 22.66 %
    Total Detection Time: 137.000000 Seconds

    问题:

    从map上看表现很差,只有22.66,这可能是因为这个数据集人太小,并且标注中还包含了一些被遮挡的目标,干扰了检测结果。

    我们还测试了使用inria数据集训练的模型在caltech上的结果,表现还要更差:

    detections_count = 17643, unique_truth_count = 6465
    class_id = 0, name = person, 3 ap = 9.09 %
    for thresh = 0.24, precision = 0.48, recall = 0.05, F1-score = 0.09
    for thresh = 0.24, TP = 315, FP = 340, FN = 6150, average IoU = 35.57 %

    mean average precision (mAP) = 0.090909, or 9.09 %
    Total Detection Time: 46.000000 Seconds

    	./darknet detector demo cfg/caltech.data cfg/yolo-caltech.cfg yolo-caltech_30000.weights 
    

    使用caltech训练结果,小目标的检测更准确了,但也存在了误检的问题,这可能是标注中还包含了一些被遮挡的行人,导致训练的模型将这些遮挡物也认为是行人,出现了误检。

     

    检测结果
    检测结果

     

  • 相关阅读:
    2019年上半年收集到的人工智能深度学习方向干货文章
    2019年上半年收集到的人工智能自然语言处理方向干货文章
    2019年上半年收集到的人工智能图神经网络干货文章
    2019年上半年收集到的人工智能自动驾驶方向干货文章
    SAP 不支持交货单中同一个物料多个行项目HU与序列号组合发货场景
    SAP S4HANA 使用BP创建供应商报错
    yum/dnf/rpm 等 查看rpm 包安装路径 (fedora 中 pygtk 包内容安装到哪里了)
    apache 允许 访问软链接 ( Apache won't follow symlinks (403 Forbidden) )
    fedora 开启 apache 并 开启目录浏览模式
    如何在 windows server 2008 上面 挂载NFS
  • 原文地址:https://www.cnblogs.com/gr-nick/p/9379367.html
Copyright © 2011-2022 走看看