物體檢測(cè)YOLOv3實(shí)踐

進(jìn)入ModelArts

點(diǎn)擊如下鏈接：https://www.huaweicloud.com/product/modelarts.html?， 進(jìn)入ModelArts主頁(yè)。點(diǎn)擊“立即使用”按鈕，輸入用戶名和密碼登錄，進(jìn)入ModelArts使用頁(yè)面。

創(chuàng)建ModelArts notebook

下面，我們?cè)贛odelArts中創(chuàng)建一個(gè)notebook開發(fā)環(huán)境，ModelArts notebook提供網(wǎng)頁(yè)版的Python開發(fā)環(huán)境，可以方便的編寫、運(yùn)行代碼，并查看運(yùn)行結(jié)果。

第一步：在ModelArts服務(wù)主界面依次點(diǎn)擊“開發(fā)環(huán)境”、“創(chuàng)建”

第二步：填寫notebook所需的參數(shù)：

第三步：配置好notebook參數(shù)后，點(diǎn)擊下一步，進(jìn)入notebook信息預(yù)覽。確認(rèn)無誤后，點(diǎn)擊“立即創(chuàng)建”

第四步：創(chuàng)建完成后，返回開發(fā)環(huán)境主界面，等待Notebook創(chuàng)建完畢后，打開Notebook，進(jìn)行下一步操作。

在ModelArts中創(chuàng)建開發(fā)環(huán)境

接下來，我們創(chuàng)建一個(gè)實(shí)際的開發(fā)環(huán)境，用于后續(xù)的實(shí)驗(yàn)步驟。

第一步：點(diǎn)擊下圖所示的“打開”按鈕，進(jìn)入剛剛創(chuàng)建的Notebook

第二步：創(chuàng)建一個(gè)Python3環(huán)境的的Notebook。點(diǎn)擊右上角的"New"，然后選擇TensorFlow 1.13.1開發(fā)環(huán)境。

第三步：點(diǎn)擊左上方的文件名"Untitled"，并輸入一個(gè)與本實(shí)驗(yàn)相關(guān)的名稱，如"yolo_v3"

在Notebook中編寫并執(zhí)行代碼

在Notebook中，我們輸入一個(gè)簡(jiǎn)單的打印語(yǔ)句，然后點(diǎn)擊上方的運(yùn)行按鈕，可以查看語(yǔ)句執(zhí)行的結(jié)果：

開發(fā)環(huán)境準(zhǔn)備好啦，接下來可以愉快地寫代碼啦！

數(shù)據(jù)和代碼下載

運(yùn)行下面代碼，進(jìn)行數(shù)據(jù)和代碼的下載和解壓

本案例使用coco數(shù)據(jù)，共80個(gè)類別。

In?[1]:

import os from modelarts.session import Session sess = Session() if sess.region_name == 'cn-north-1': bucket_path="modelarts-labs/notebook/DL_object_detection_yolo/yolov3.tar.gz" elif sess.region_name == 'cn-north-4': bucket_path="modelarts-labs-bj4/notebook/DL_object_detection_yolo/yolov3.tar.gz" else: print("請(qǐng)更換地區(qū)到北京一或北京四") if not os.path.exists('./yolo3'): sess.download_data(bucket_path=bucket_path, path="./yolov3.tar.gz") if os.path.exists('./yolov3.tar.gz'): # 解壓文件 os.system("tar -xf ./yolov3.tar.gz") # 清理壓縮包 os.system("rm -r ./yolov3.tar.gz")

準(zhǔn)備數(shù)據(jù)

文件路徑定義

In?[2]:

from train import get_classes, get_anchors # 數(shù)據(jù)文件路徑 data_path = "./coco/coco_data" # coco類型定義文件存儲(chǔ)位置 classes_path = './model_data/coco_classes.txt' # coco數(shù)據(jù)anchor值文件存儲(chǔ)位置 anchors_path = './model_data/yolo_anchors.txt' # coco數(shù)據(jù)標(biāo)注信息文件存儲(chǔ)位置 annotation_path = './coco/coco_train.txt' # 預(yù)訓(xùn)練權(quán)重文件存儲(chǔ)位置 weights_path = "./model_data/yolo.h5" # 模型文件存儲(chǔ)位置 save_path = "./result/models/" classes = get_classes(classes_path) anchors = get_anchors(anchors_path) # 獲取類型數(shù)量和anchor數(shù)量變量 num_classes = len(classes) num_anchors = len(anchors)

Using TensorFlow backend.

讀取標(biāo)注數(shù)據(jù)

In?[3]:

import numpy as np # 訓(xùn)練集與驗(yàn)證集劃分比例 val_split = 0.1 with open(annotation_path) as f: lines = f.readlines() np.random.seed(10101) np.random.shuffle(lines) np.random.seed(None) num_val = int(len(lines)*val_split) num_train = len(lines) - num_val

數(shù)據(jù)讀取函數(shù)，構(gòu)建數(shù)據(jù)生成器。每次讀取一個(gè)批次的數(shù)據(jù)至內(nèi)存訓(xùn)練，并做數(shù)據(jù)增強(qiáng)。

In?[4]:

def data_generator(annotation_lines, batch_size, input_shape, data_path,anchors, num_classes): n = len(annotation_lines) i = 0 while True: image_data = [] box_data = [] for b in range(batch_size): if i==0: np.random.shuffle(annotation_lines) image, box = get_random_data(annotation_lines[i], input_shape, data_path,random=True) # 隨機(jī)挑選一個(gè)批次的數(shù)據(jù) image_data.append(image) box_data.append(box) i = (i+1) % n image_data = np.array(image_data) box_data = np.array(box_data) y_true = preprocess_true_boxes(box_data, input_shape, anchors, num_classes) # 對(duì)標(biāo)注框預(yù)處理，過濾異常標(biāo)注框 yield [image_data, *y_true], np.zeros(batch_size) def data_generator_wrapper(annotation_lines, batch_size, input_shape, data_path,anchors, num_classes): n = len(annotation_lines) if n==0 or batch_size<=0: return None return data_generator(annotation_lines, batch_size, input_shape, data_path,anchors, num_classes)

模型訓(xùn)練

本案例使用Keras深度學(xué)習(xí)框架搭建YOLOv3神經(jīng)網(wǎng)絡(luò)。

可以進(jìn)入相應(yīng)的文件夾路徑查看源碼實(shí)現(xiàn)。

構(gòu)建神經(jīng)網(wǎng)絡(luò)

可以在./yolo3/model.py文件中查看細(xì)節(jié)

In?[5]:

import keras.backend as K from yolo3.model import preprocess_true_boxes, yolo_body, yolo_loss from keras.layers import Input, Lambda from keras.models import Model # 初始化session K.clear_session() # 圖像輸入尺寸 input_shape = (416, 416) image_input = Input(shape=(None, None, 3)) h, w = input_shape # 設(shè)置多尺度檢測(cè)的下采樣尺寸 y_true = [Input(shape=(h//{0:32, 1:16, 2:8}[l], w//{0:32, 1:16, 2:8}[l], num_anchors//3, num_classes+5)) for l in range(3)] # 構(gòu)建YOLO模型結(jié)構(gòu) model_body = yolo_body(image_input, num_anchors//3, num_classes) # 將YOLO權(quán)重文件加載進(jìn)來，如果希望不加載預(yù)訓(xùn)練權(quán)重，從頭開始訓(xùn)練的話，可以刪除這句代碼 model_body.load_weights(weights_path, by_name=True, skip_mismatch=True) # 定義YOLO損失函數(shù) model_loss = Lambda(yolo_loss, output_shape=(1,), name='yolo_loss', arguments={'anchors': anchors, 'num_classes': num_classes, 'ignore_thresh': 0.5})([*model_body.output, *y_true]) # 構(gòu)建Model，為訓(xùn)練做準(zhǔn)備 model = Model([model_body.input, *y_true], model_loss)

WARNING:tensorflow:From /home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/tensorflow/python/framework/op_def_library.py:263: colocate_with (from tensorflow.python.framework.ops) is deprecated and will be removed in a future version. Instructions for updating: Colocations handled automatically by placer.

In?[6]:

# 打印模型各層結(jié)構(gòu) model.summary()

訓(xùn)練回調(diào)函數(shù)定義

In?[7]:

from keras.callbacks import ReduceLROnPlateau, EarlyStopping # 定義回調(diào)方法 reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=3, verbose=1) # 學(xué)習(xí)率衰減策略 early_stopping = EarlyStopping(monitor='val_loss', min_delta=0, patience=10, verbose=1) # 早停策略

AI開發(fā)平臺(tái)ModelArts 機(jī)器學(xué)習(xí)

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請(qǐng)聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時(shí)內(nèi)刪除侵權(quán)內(nèi)容。