【人工智能】使用yolov7和youlov8以及re-detr模型实现安全帽检测_redetr

1 问题描述

数据集共包括40000张训练图像和1000张测试图像，每张训练图像对应 xml标注文件：

共包含3类：0:‘head’, 1:‘helmet’, 2:‘person’ 提交格式要求，提交名为pred_result.txt的文件:每一行代表一个目标，每一行内容分别表示 图像名 置信度 xmin ymin xmax ymax 类别

2 数据准备

2.1 数据加载

解压项目提供的数据：

!unzip  /home/aistudio/data/data126280/HelmetDetection.zip -d /home/aistudio
1

更改文件位置：

%cd /home/aistudio
%mv data/data126280/helmet/train/annotations work/dataset/Annotations
%mv data/data126280/helmet/train/images work/dataset/JPEGImages
1
2
3

文件目录结构如下:

dataset/                          dataset/
  ├── annotations/      -->         ├── Annotations/
  ├── images/                       ├── JPEGImages/
1
2
3

2.2 数据预处理

训练数据预处理和增强操作:

1. MixupImage：
   • mixup_epoch=-1：应用 Mixup 数据增强，这是一种通过混合两个图像来生成新的训练样本的技术。mixup_epoch=-1 表示在所有训练周期中都应用 Mixup。
2. RandomDistort：
   • 随机扭曲图像，增加训练数据的多样性。
3. RandomExpand：
   • 随机扩展图像，通过填充值 [123.675, 116.28, 103.53] 进行填充。有助于增加模型对输入图像边界的鲁棒性。
4. RandomCrop：
   • 随机裁剪图像，增加训练数据的多样性。
5. RandomHorizontalFlip：
   • 随机水平翻转图像，增加训练数据的多样性。
6. BatchRandomResize：
   • 随机调整图像尺寸，可选择多个目标尺寸 [320, 352, 384, 416, 448, 480, 512, 544, 576, 608]，并使用随机的插值方法。
7. Normalize：
   • 将图像进行标准化，使用均值 [0.485, 0.456, 0.406] 和标准差 [0.229, 0.224, 0.225] 进行归一化。

train_transforms = T.Compose([
    T.MixupImage(mixup_epoch=-1), T.RandomDistort(),
    T.RandomExpand(im_padding_value=[123.675, 116.28, 103.53]), T.RandomCrop(),
    T.RandomHorizontalFlip(), T.BatchRandomResize(
        target_sizes=[320, 352, 384, 416, 448, 480, 512, 544, 576, 608],
        interp='RANDOM'), T.Normalize(
            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

eval_transforms = T.Compose([
    T.Resize(
        target_size=480, interp='CUBIC'), T.Normalize(
            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

划分训练集和验证集的比例为:0.85:0.15

!paddlex --split_dataset --format voc --dataset_dir /home/aistudio/work/dataset --val_value 0.15
1

得到文件：
labels.txt，val_list.txt,train_list.txt
定义训练集和验证集：

train_dataset = pdx.datasets.VOCDetection(
    data_dir='/home/aistudio/work/dataset',
    file_list='/home/aistudio/work/dataset/train_list.txt',
    label_list='/home/aistudio/work/dataset/labels.txt',
    transforms=train_transforms,
    shuffle=True)

eval_dataset = pdx.datasets.VOCDetection(
    data_dir='/home/aistudio/work/dataset',
    file_list='/home/aistudio/work/dataset/val_list.txt',
    label_list='/home/aistudio/work/dataset/labels.txt',
    transforms=eval_transforms,
    shuffle=False)
1
2
3
4
5
6
7
8
9
10
11
12
13

3 模型选择

由于PaddleX有大量的有关目标检测的集成模型可供选择，所以本次实验采用PaddleX库进行训练。版本：python=3.7 PaddlePaddle=2.4.0

!pip install paddlex
!pip install --user --upgrade pyarrow==11.0.0
1
2

本次实验分别选取了yolov3、yolov7、yolov8、rt-detr四种模型进行训练，并挑选出训练情况相对较好的模型进行进一步的优化，以下是模型的初步训练过程。

3.1yolov7的训练

V7的模型架构：

V7的改进：

• 模型结构重参数化：
  声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Gausst松鼠会/article/detail/626702