yolov4目标检测-基于labelimg标注

一、labelimg进行数据标注

第一步：打开labelimg.exe

第二步：点击open dir，打开一个数据集文件夹（JPEGimages），里面放着进行训练标注的图片

第三步：点击change save dir，选择一个空文件夹（annotations），用来放置标注后图片的标注内容和具体信息

      注--pascalVOC指的是标注图片后的文件类型是.xml（一般用），yolo指的是.txt格式

第四步：点击create/nrectbox对图片进行标注，出现一个直角坐标

从左上拉到右下角，保证框内存在完整的目标且没有多余的部分，后添加符合的标注

图中有几个目标则进行依次标注

第五步：单击“D”键进行保存生成.xml文件，并进入下一张图片

第六步：不断标注目标图像，图像角度越多数量越多训练效果越好，损失率越小

二、编写目标集文件voc-classes.txt

在文件里加入所有label，按行排列

三、yolo简介

        YOLO是目标检测模型。用来在一张图篇中找到某些特定的物体，目标检测不仅要求我们识别这些物体的种类，同时要求我们标出这些物体的位置。类别是离散数据，位置是连续数据。

       当想要准确标注一张图片所有的目标时，我们可能会因为目标过小、目标位置过偏或者种类过多而导致错误率更大，使图片不易标注。

        原理：YOLO 的预测是基于整个图片的，并且它会一次性输出所有检测到的目标信息，包括类别和位置。YOLO的第一步是分割图片，它将图片分割为个grid，每个grid的大小都是相等的；它不需要设计非常非常大的框，只需要让物体的中心在这个框中就可以了，而不是必须要让整个物体都在这个框中；让个框预测出b个bounding box，其中bounding box有5个量，分别是物体的中心位置(x,y)和它的高(h)和宽(w)，以及预测的置信度；bounding box中有的边框比较粗，有的比较细，这是置信度不同的表现，置信度高的比较粗，置信度低的比较细。

四、测试运行代码

第一步：安装所需库

1. numpy: 用于在Python中进行科学计算，特别是对多维数组进行操作。
2. torch: PyTorch深度学习框架，用于构建和训练神经网络模型。
3. OpenCV: 用于图像处理和计算机视觉任务，如加载、显示和处理图像。
4. PIL: 用于图像处理，包括图像的加载、保存和绘制。
5. tqdm : 在 Python 中显示进度条的库，可以在循环和迭代过程中显示进度条.
6. TensorBoard : 用于可视化深度学习模型训练过程和结果的工具。

第二步：运行voc_annotation.py，是用于处理VOC数据集的标签文件，生成训练和验证过程中需要的txt文件

1. 读取类别信息：从给定的classes_path文件中获取类别信息。
2. 遍历XML标注文件：根据指定的VOC数据集路径，遍历每个图片对应的XML标注文件，提取目标的坐标和类别信息。
3. 生成训练集和验证集：根据指定的比例，将数据集分割成训练集和验证集，并将每个样本的信息写入对应的txt文件中。
4. 根据指定的VOC数据集路径和文件名，生成对应的训练集和验证集的txt文件。其中，遍历了给定的列表，并根据每个元素是否在训练集中进行判断，然后将对应的图片名称写入不同的txt文件中。
5. 如果annotation_mode为0或2，则生成2007年的训练集和验证集的txt文件。这部分代码遍历了VOC数据集中的图片集合，并将图片路径写入txt文件中，同时调用了convert_annotation函数，将标注信息写入txt文件。
6. 打印一个表格，显示了类别名称和对应的数量。
7. 进行了一些条件判断，例如如果训练集数量小于500，则打印警告信息。另外，如果未获得任何目标，也会打印相应的提示信息。

第三步：运行train.py文件，对数据集进行训练

注：使用sgd优化器时，建议将训练总步长设置到50000以上。

为了测试代码，本次迭代次数设置为10，因此本次总训练数量为810，unfreeze_batch_size为4，共训练10个epoch，总步长为2020。

第四步：运行predict.py文件，进行分类预测

      将目标图片放置在img文件夹里并命名为1.jpg，运行代码后输入图片：./img/1.jpg

由上图的标注可以看出，分类器将voc-classes.txt中存在的labelname--person全都准确标注了出来。由此看出，训练的模型效果优秀。