热门标签
热门文章
- 1android——jetpack Compose布局居中,margin,padding,文字居中_android compose margin
- 2PHP原生对接QQ互联/实现QQ登录，SDK2.1版本/超级详细！
- 3数学建模之灰色关联分析（GRA）_灰色关联分析法
- 4android自定义控件Group之上下滑动回弹及快速滑动手势viewgroup_android 自定义viewgroup 左右上下滑动
- 5RabbitMQ 面试八股题整理
- 6【以太网通信】RGMII 接口及其时序规范
- 7Open3D(C++) 点云滤波——均值滤波_点云均值滤波csdn
- 8Linux系统进程输出与统计模块_统计进程数量
- 9【2019.07.29 Python每日一题】—— 水仙花数【菜鸟100例-13】_python中形参为单字符,实参传递一个字符进行统计水仙花数
- 10java shutdown_java.lang.Shutdown | 学步园
当前位置: article > 正文
yolov3 + CCTSDB (交通标志识别)——使用yolov3原始网络结构训练数据集_实验中使用的数据集是cctsdb流量数据集,包含3766个训练数据集工作者和1507个验证
作者：Monodyee | 2024-03-17 04:32:03
赞
踩
实验中使用的数据集是cctsdb流量数据集,包含3766个训练数据集工作者和1507个验证
darknet框架的下载及配置本文不再叙述。
CCTSDB：CSUST Chinese Traffic Sign Detection Benchmark 中国交通数据集由长沙理工大学综合交通运输大数据智能处理湖南省重点实验室张建明老师团队制作完成。来源于 A Real-Time Chinese Traffic Sign Detection Algorithm Based on Modified YOLOv2一文提出的训练数据集。
论文地址：https://doi.org/10.3390/a10040127
Github：https://github.com/csust7zhangjm/CCTSDB，说明文档中有百度网盘的链接
数据集已经进行了标注，标注文件以txt文件形式保存，如下：
- 00000.png;527;377;555;404;warning
- 00001.png;738;279;815;414;prohibitory
- 00002.png;532;426;640;523;warning
- 00002.png;535;335;636;427;warning
- 00003.png;1175;134;1210;166;warning
- 00004.png;997;212;1030;244;mandatory
- 00005.png;276;236;311;268;mandatory
- 00005.png;915;217;947;248;prohibitory
- 00006.png;129;373;185;425;mandatory
- 00007.png;402;138;437;173;mandatory
- 00008.png;415;297;471;370;prohibitory
- 00009.png;343;240;375;271;mandatory
- 00009.png;936;220;965;249;prohibitory
数据集数据分为三类：warning，prohibitory，mandatory
标注文件中的四个整数数值表示标注框的长宽和中心点的坐标
数据图像如下：
训练的准备过程：
为了方便，在darknet目录下创建CCTSDB目录，在CCTSDB目录下创建CCTSDB.data文件，文件内容如下：
- classes=3
- train=/home/btboay/桌面/yolov3-CCTSDB/darknet/CCTSDB/train.txt
- names=/home/btboay/桌面/yolov3-CCTSDB/darknet/CCTSDB/CCTSDB.names
- backup=/home/btboay/桌面/yolov3-CCTSDB/darknet/CCTSDB
classes代表类别数量
train后面跟一个文本文档的路径，该文档内容为训练数据的地址：
- /home/btboay/桌面/yolov3-CCTSDB/CCTSDB/Images/00000~00999/00000.png
- /home/btboay/桌面/yolov3-CCTSDB/CCTSDB/Images/00000~00999/00001.png
- /home/btboay/桌面/yolov3-CCTSDB/CCTSDB/Images/00000~00999/00002.png
- /home/btboay/桌面/yolov3-CCTSDB/CCTSDB/Images/00000~00999/00003.png
- /home/btboay/桌面/yolov3-CCTSDB/CCTSDB/Images/00000~00999/00004.png
- /home/btboay/桌面/yolov3-CCTSDB/CCTSDB/Images/00000~00999/00005.png
- /home/btboay/桌面/yolov3-CCTSDB/CCTSDB/Images/00000~00999/00006.png
- /home/btboay/桌面/yolov3-CCTSDB/CCTSDB/Images/00000~00999/00007.png
- /home/btboay/桌面/yolov3-CCTSDB/CCTSDB/Images/00000~00999/00008.png
- /home/btboay/桌面/yolov3-CCTSDB/CCTSDB/Images/00000~00999/00009.png
names后面跟一个文本文档的路径，该文档存放类别标签：
- warning
- prohibitory
- mandatory
backup后跟一个目录地址，训练后的权重文件会保存到该目录下
每一个图像数据对应一个标注数据文件，这个文件是纯文本文档，内容如下：
0 527 377 555 404第一个数字是类别编号，与上面的names文件中的类别标签顺序是相对应的，后面及标注框的大小和中心坐标，该数据最好归一化到0～1之间，收敛过程更快速，且不易引入误差。归一化可以使用原图像的大小进行缩放。
该文件与图像数据文件放在同一目录下
更改网络配置文件（yolov3.cfg）：yolov3有三个yolo层，每个yolo层更改classes的值（类别数量），以及每个yolo层上面的一个卷积层的filters参数的值为(类别数量+5)*3，3种标签，filters改为24
下载预训练权重darknet53.conv.74，我们在该权重下进行训练
训练过程：
在darknet目录下打开终端输入：./darknet detector train ./CCTSDB/CCTSDB.data ./CCTSDB/yolov3.cfg ./CCTSDB/darknet53.conv.74
后三个参数分别是你的data文件目录，网络配置文件目录，预训练权重目录
敲下回车开始训练，每100轮自动保存一次权重文件到backup目录下，最新的训练结果是.backup文件
当看到平均误差不再变化时，就可以停止训练了，我训练到平均误差在0.3左右停止的训练，这并不是最优的训练结果，但是因为我的显卡显存太小不支持，所以使用的云GPU主机进行的训练，5块钱一个小时，太贵了，训练了5个小时就停止了。
测试过程：
修改darknet/examples/darknet.c其中主函数，
- else if (0 == strcmp(argv[1], "detect")){
- float thresh = find_float_arg(argc, argv, "-thresh", .5);
- char *filename = (argc > 4) ? argv[4]: 0;
- char *outfile = find_char_arg(argc, argv, "-out", 0);
- int fullscreen = find_arg(argc, argv, "-fullscreen");
- test_detector("/home/btboay/桌面/yolov3-CCTSDB/darknet/CCTSDB/CCTSDB.data", argv[2], argv[3], filename, thresh, .5, outfile, fullscreen);
将test_detector函数中前面的字符串改为你的.data文件目录
在darknet目录下，打开终端输入./darknet detect ./CCTSDB/yolov3.cfg ./CCTSDB/yolov3.backup
后两个参数分别是网络配置文件地址和权重文件地址，点击回车，如下：
- layer filters size input output
- 0 conv 32 3 x 3 / 1 608 x 608 x 3 -> 608 x 608 x 32 0.639 BFLOPs
- 1 conv 64 3 x 3 / 2 608 x 608 x 32 -> 304 x 304 x 64 3.407 BFLOPs
- 2 conv 32 1 x 1 / 1 304 x 304 x 64 -> 304 x 304 x 32 0.379 BFLOPs
- 3 conv 64 3 x 3 / 1 304 x 304 x 32 -> 304 x 304 x 64 3.407 BFLOPs
- 4 res 1 304 x 304 x 64 -> 304 x 304 x 64
- 5 conv 128 3 x 3 / 2 304 x 304 x 64 -> 152 x 152 x 128 3.407 BFLOPs
- 6 conv 64 1 x 1 / 1 152 x 152 x 128 -> 152 x 152 x 64 0.379 BFLOPs
- 7 conv 128 3 x 3 / 1 152 x 152 x 64 -> 152 x 152 x 128 3.407 BFLOPs
- 8 res 5 152 x 152 x 128 -> 152 x 152 x 128
- 9 conv 64 1 x 1 / 1 152 x 152 x 128 -> 152 x 152 x 64 0.379 BFLOPs
- 10 conv 128 3 x 3 / 1 152 x 152 x 64 -> 152 x 152 x 128 3.407 BFLOPs
- 11 res 8 152 x 152 x 128 -> 152 x 152 x 128
- 12 conv 256 3 x 3 / 2 152 x 152 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 13 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
- 14 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 15 res 12 76 x 76 x 256 -> 76 x 76 x 256
- 16 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
- 17 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 18 res 15 76 x 76 x 256 -> 76 x 76 x 256
- 19 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
- 20 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 21 res 18 76 x 76 x 256 -> 76 x 76 x 256
- 22 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
- 23 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 24 res 21 76 x 76 x 256 -> 76 x 76 x 256
- 25 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
- 26 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 27 res 24 76 x 76 x 256 -> 76 x 76 x 256
- 28 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
- 29 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 30 res 27 76 x 76 x 256 -> 76 x 76 x 256
- 31 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
- 32 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 33 res 30 76 x 76 x 256 -> 76 x 76 x 256
- 34 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
- 35 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 36 res 33 76 x 76 x 256 -> 76 x 76 x 256
- 37 conv 512 3 x 3 / 2 76 x 76 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 38 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
- 39 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 40 res 37 38 x 38 x 512 -> 38 x 38 x 512
- 41 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
- 42 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 43 res 40 38 x 38 x 512 -> 38 x 38 x 512
- 44 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
- 45 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 46 res 43 38 x 38 x 512 -> 38 x 38 x 512
- 47 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
- 48 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 49 res 46 38 x 38 x 512 -> 38 x 38 x 512
- 50 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
- 51 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 52 res 49 38 x 38 x 512 -> 38 x 38 x 512
- 53 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
- 54 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 55 res 52 38 x 38 x 512 -> 38 x 38 x 512
- 56 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
- 57 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 58 res 55 38 x 38 x 512 -> 38 x 38 x 512
- 59 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
- 60 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 61 res 58 38 x 38 x 512 -> 38 x 38 x 512
- 62 conv 1024 3 x 3 / 2 38 x 38 x 512 -> 19 x 19 x1024 3.407 BFLOPs
- 63 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
- 64 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
- 65 res 62 19 x 19 x1024 -> 19 x 19 x1024
- 66 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
- 67 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
- 68 res 65 19 x 19 x1024 -> 19 x 19 x1024
- 69 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
- 70 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
- 71 res 68 19 x 19 x1024 -> 19 x 19 x1024
- 72 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
- 73 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
- 74 res 71 19 x 19 x1024 -> 19 x 19 x1024
- 75 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
- 76 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
- 77 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
- 78 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
- 79 conv 512 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 512 0.379 BFLOPs
- 80 conv 1024 3 x 3 / 1 19 x 19 x 512 -> 19 x 19 x1024 3.407 BFLOPs
- 81 conv 24 1 x 1 / 1 19 x 19 x1024 -> 19 x 19 x 24 0.018 BFLOPs
- 82 yolo
- 83 route 79
- 84 conv 256 1 x 1 / 1 19 x 19 x 512 -> 19 x 19 x 256 0.095 BFLOPs
- 85 upsample 2x 19 x 19 x 256 -> 38 x 38 x 256
- 86 route 85 61
- 87 conv 256 1 x 1 / 1 38 x 38 x 768 -> 38 x 38 x 256 0.568 BFLOPs
- 88 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 89 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
- 90 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 91 conv 256 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 256 0.379 BFLOPs
- 92 conv 512 3 x 3 / 1 38 x 38 x 256 -> 38 x 38 x 512 3.407 BFLOPs
- 93 conv 24 1 x 1 / 1 38 x 38 x 512 -> 38 x 38 x 24 0.035 BFLOPs
- 94 yolo
- 95 route 91
- 96 conv 128 1 x 1 / 1 38 x 38 x 256 -> 38 x 38 x 128 0.095 BFLOPs
- 97 upsample 2x 38 x 38 x 128 -> 76 x 76 x 128
- 98 route 97 36
- 99 conv 128 1 x 1 / 1 76 x 76 x 384 -> 76 x 76 x 128 0.568 BFLOPs
- 100 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 101 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
- 102 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 103 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs
- 104 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs
- 105 conv 24 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 24 0.071 BFLOPs
- 106 yolo
- Loading weights from ./CCTSDB/yolov3.backup...Done!
- Enter Image Path:
输入预测图像地址，进行预测。
我的结果如下：
我的训练权重文件：链接: https://pan.baidu.com/s/1Yt_NhzaNq5X3a3Ho3bqftA 密码: 6ocu
声明：本文内容由网友自发贡献，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：【wpsshop博客】
推荐阅读
相关标签
