使用新版FLIR (FLIR_ADAS_v2) 红外数据集训练基于pytorch的YOLOv7模型

简介

  • 今年7月份YOLOv7发布，其识别速度和准确度在5 FPS 到 160 FPS范围内远超目前已知的目标检测器
  • FLIR在2022.1.19发布了新版的FLIR_ADAS_v2，相较于上一代的FLIR_1_3，新版有着更多的类别和数量更丰富的图像。
  • 现有的博客中关于新版FLIR的使用教学少只有少，加上暑假期间曾使用FLIR_ADAS_v2来训练模型以提高其对红外热图像的识别能力，便决定记录分享一下。
  • 本文章主要介绍如何使用FLIR_ADAS_v2中的thermal image来训练基于pytorch的YOLOv7模型
  • 若有不足，也欢迎大家指正批评

FLIR_ADAS_v2数据集下载

我用夸克网盘分享了「FLIR_ADAS_v2.zip」，点击链接即可保存。打开「夸克APP」，无需下载在线播放视频，畅享原画5倍速，支持电视投屏。
链接：https://pan.quark.cn/s/6ce060c06196

YOLOv7模型下载

数据集的预处理

将单个json文件转换为多个xml文件

 将多个xml文件转换为YOLO所需的txt文件并分类

 查看标注情况

  • 可以根据以下代码查看数据集的标注情况

根据YOLO标注文件 生成标注图像icon-default.png?t=N5K3https://blog.csdn.net/Jiuyee/article/details/131495008

如果转换有问题或者转换失败可以参考我转换的数据集 

  • xml_share文件夹存储了所有转换好的xml文件
  • dataPreProcess压缩包中存的是相关的txt标签以及所有用到的转换代码

我用夸克网盘分享了「FLIR_ADAS_v2」，点击链接即可保存。打开「夸克APP」，无需下载在线播放视频，畅享原画5倍速，支持电视投屏。
链接：https://pan.quark.cn/s/d0b14ace3bfd
提取码：uqar

设置YOLOv7

数据集导入YOLOv7

  • 在YOLOv7项目文件夹中新建文件夹并命名（笔者以data4为例）

  •  将预处理完后的images文件夹和labels文件夹复制到新建文件夹下

获得list文件 

  • 相较于YOLOv5，YOLOv7需要在数据集中提供单独的train_list.txt文件和val_list.txt文件，以提供图片的路径
  • 内容如所示

  •  大家可写一个小代码，使用os库从文件夹中读取图片名称并写入到txt文件中
  • 在这里提供笔者所写的 
    import os

train_path = r"data4/images/train/"
val_path = r"data4/images/val/"

out = r"data4/"

train = os.listdir(train_path)
val = os.listdir(val_path)

for i in train:
    with open(out+'train_list.txt', 'a+') as f:
        f.write("data4/images/train/"+ i + '\n')

for i in val:
    with open(out+'val_list.txt', 'a+') as f:
        f.write("data4/images/val/"+ i + '\n')
  • 将txt文件放到新建文件夹下

  • 注：cache文件为训练时生成，图中所示不用理会 

设置类文件

  • 在data文件夹下复制coco.yaml，并命名为flir.yaml

  •  将train、val的路径设置为对应txt文件的路径

  • 根据自己需求修改类的数量和名称

更改train.py参数

  •  更改yaml路径，将其设置为创建的flir.yaml文件位置

  • 根据自己需求和电脑性能设置epochs、workers、cuda、batch_size等参数

开始训练

运行train.py

 结果分析

  • 开始训练后，在runs->train->exp文件夹中可查看各种训练结果

 

使用训练好的权重进行图像识别

  • 打开detect.py

  • 将需要进行图像识别的图像放入inference->images中

  • 在runs->train->exp->weights中选择权重并设置路径

  •  运行detect.py

识别结果

 

总结

  • 相较于Faster RCNN、Efficientdet、YOLOv5等模型，YOLOv7展现出了强大的识别精确度和识别速度，并且有着较短的训练时间和更低的loss
  • 只能说AB大佬NB！

相关推荐

使用新版FLIR (FLIR_ADAS_v2) 训练Faster RCNN模型https://blog.csdn.net/Jiuyee/article/details/127316297