目錄
1.Yolov8介紹
2.紙箱破損數(shù)據(jù)集介紹
2.1數(shù)據(jù)集劃分
2.2 通過voc_label.py得到適合yolov8訓(xùn)練需要的
2.3生成內(nèi)容如下
3.訓(xùn)練結(jié)果分析
1.Yolov8介紹
?????????Ultralytics YOLOv8是Ultralytics公司開發(fā)的YOLO目標(biāo)檢測和圖像分割模型的最新版本。YOLOv8是一種尖端的、最先進(jìn)的（SOTA）模型，它建立在先前YOLO成功基礎(chǔ)上，并引入了新功能和改進(jìn)，以進(jìn)一步提升性能和靈活性。它可以在大型數(shù)據(jù)集上進(jìn)行訓(xùn)練，并且能夠在各種硬件平臺上運(yùn)行，從CPU到GPU。
具體改進(jìn)如下：
-
Backbone：使用的依舊是CSP的思想，不過YOLOv5中的C3模塊被替換成了C2f模塊，實(shí)現(xiàn)了進(jìn)一步的輕量化，同時YOLOv8依舊使用了YOLOv5等架構(gòu)中使用的SPPF模塊；
-
PAN-FPN：毫無疑問YOLOv8依舊使用了PAN的思想，不過通過對比YOLOv5與YOLOv8的結(jié)構(gòu)圖可以看到，YOLOv8將YOLOv5中PAN-FPN上采樣階段中的卷積結(jié)構(gòu)刪除了，同時也將C3模塊替換為了C2f模塊；
-
Decoupled-Head：是不是嗅到了不一樣的味道？是的，YOLOv8走向了Decoupled-Head；
-
Anchor-Free：YOLOv8拋棄了以往的Anchor-Base，使用了Anchor-Free的思想；
-
損失函數(shù)：YOLOv8使用VFL Loss作為分類損失，使用DFL Loss+CIOU Loss作為分類損失；
-
樣本匹配：YOLOv8拋棄了以往的IOU匹配或者單邊比例的分配方式，而是使用了Task-Aligned Assigner匹配方式
框架圖提供見鏈接：Brief summary of YOLOv8 model structure · Issue #189 · ultralytics/ultralytics · GitHub
2.中國交通標(biāo)志（CCTSDB）數(shù)據(jù)集介紹
道路破損數(shù)據(jù)集大小13829，類別一類：warning、prohibitory、mandatory，按照8:1:1進(jìn)行數(shù)據(jù)集隨機(jī)生成。
2.1數(shù)據(jù)集劃分
通過split_train_val.py得到trainval.txt、val.txt、test.txt??
# coding:utf-8
import os
import random
import argparse
parser = argparse.ArgumentParser()
#xml文件的地址，根據(jù)自己的數(shù)據(jù)進(jìn)行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
#數(shù)據(jù)集的劃分，地址選擇自己數(shù)據(jù)下的ImageSets/Main
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 0.9
train_percent = 0.8
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
name = total_xml[i][:-4] + '\n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()2.2 通過voc_label.py得到適合yolov8訓(xùn)練需要的
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val']
classes = ["warning","prohibitory","mandatory"] # 改成自己的類別
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
#difficult = obj.find('Difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 標(biāo)注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('labels/'):
os.makedirs('labels/')
image_ids = open('ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
list_file = open('%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()2.3生成內(nèi)容如下
?
3.訓(xùn)練結(jié)果分析
confusion_matrix.png ：列代表預(yù)測的類別，行代表實(shí)際的類別。其對角線上的值表示預(yù)測正確的數(shù)量比例，非對角線元素則是預(yù)測錯誤的部分?；煜仃嚨膶蔷€值越高越好，這表明許多預(yù)測是正確的。
?上圖是道路破損檢測訓(xùn)練，有圖可以看出 ，分別是破損和background FP。該圖在每列上進(jìn)行歸一化處理。則可以看出破損檢測預(yù)測正確的概率為91%。
F1_curve.png：F1分?jǐn)?shù)與置信度（x軸）之間的關(guān)系。F1分?jǐn)?shù)是分類的一個衡量標(biāo)準(zhǔn)，是精確率和召回率的調(diào)和平均函數(shù)，介于0，1之間。越大越好。
TP：真實(shí)為真，預(yù)測為真；
FN：真實(shí)為真，預(yù)測為假；
FP：真實(shí)為假，預(yù)測為真；
TN：真實(shí)為假，預(yù)測為假；
精確率（precision）=TP/(TP+FP)
召回率(Recall)=TP/(TP+FN)
F1=2*（精確率*召回率）/（精確率+召回率）
?labels_correlogram.jpg ：顯示數(shù)據(jù)的每個軸與其他軸之間的對比。圖像中的標(biāo)簽位于 xywh 空間。
?labels.jpg ：
（1，1）表示每個類別的數(shù)據(jù)量
（1，2）真實(shí)標(biāo)注的?bounding_box
（2，1） 真實(shí)標(biāo)注的中心點(diǎn)坐標(biāo)
（2，2）真實(shí)標(biāo)注的矩陣寬高
?P_curve.png：表示準(zhǔn)確率與置信度的關(guān)系圖線，橫坐標(biāo)置信度。由下圖可以看出置信度越高，準(zhǔn)確率越高。
?PR_curve.png ：PR曲線中的P代表的是precision（精準(zhǔn)率），R代表的是recall（召回率），其代表的是精準(zhǔn)率與召回率的關(guān)系。
?R_curve.png ：召回率與置信度之間關(guān)系
?預(yù)測結(jié)果：文章來源：http://www.zghlxwxcb.cn/news/detail-703827.html
文章來源地址http://www.zghlxwxcb.cn/news/detail-703827.html
到了這里，關(guān)于基于Yolov8的中國交通標(biāo)志（CCTSDB）識別檢測系統(tǒng)的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
