2. 數(shù)據(jù)集構(gòu)建?

? ? ? ?在計(jì)算機(jī)視覺中，數(shù)據(jù)集是一組用于訓(xùn)練、驗(yàn)證和測(cè)試計(jì)算機(jī)視覺模型的圖像或視頻。數(shù)據(jù)集通常包含大量的標(biāo)注信息，如圖像中物體的位置、類別等。

? ? ? ? 數(shù)據(jù)集在計(jì)算機(jī)視覺中的重要性主要體現(xiàn)在以下幾個(gè)方面：

? ? ?（1）訓(xùn)練模型：通過大規(guī)模的圖像數(shù)據(jù)集，計(jì)算機(jī)視覺算法可以學(xué)習(xí)到圖像的特征和語義信息，從而實(shí)現(xiàn)圖像分類、目標(biāo)檢測(cè)、人臉識(shí)別等任務(wù)。

? ? ?（2）評(píng)估模型：數(shù)據(jù)集也用于評(píng)估模型的性能。通過在相同的數(shù)據(jù)集上評(píng)估不同的模型，可以比較它們的性能。

? ? ?（3）推動(dòng)研究：公開的數(shù)據(jù)集可以推動(dòng)計(jì)算機(jī)視覺的研究。例如，飛飛姐的ImageNet數(shù)據(jù)集的發(fā)布極大地推動(dòng)了深度學(xué)習(xí)在計(jì)算機(jī)視覺中的應(yīng)用。

2.1 數(shù)據(jù)準(zhǔn)備

（1）圖片類型數(shù)據(jù)：無需額外處理，直接進(jìn)行標(biāo)注

? ? ? ? ? ? ? ?

（2）視頻類型數(shù)據(jù)：進(jìn)行抽幀處理，導(dǎo)出為圖片

# 視頻抽幀處理程序
import cv2

video = cv2.VideoCapture('./DINO.mp4')
num = 0           # 計(jì)數(shù)器
save_step = 60    # 間隔幀
while True:
    ret, frame = video.read()
    if not ret:
        break
    num += 1
    if num % save_step == 0:
        cv2.imwrite('./train/demo_images/' + str(num) + '.jpg', frame)

?2.2?數(shù)據(jù)集標(biāo)注程序、網(wǎng)頁及軟件

（1）Labelimg

LabelImg是圖形圖像標(biāo)注工，用Python編寫的，并將Qt用于其圖形界面，可以用于進(jìn)行目標(biāo)檢測(cè)項(xiàng)目的標(biāo)注工作。

?labelimg教程可以參考：

使用labelImg做圖像標(biāo)注_嗶哩嗶哩_bilibilihttps://www.bilibili.com/video/BV1Jp4y1k7QG/?spm_id_from=333.337.search-card.all.click&vd_source=5f4b20d0e5c3da5309d6a393f8eb94a1

（2）LabelMe

Labelme 是一個(gè)圖形界面的圖像標(biāo)注軟件。它是用 Python 語言編寫的，圖形界面使用的是 Qt（PyQt）。

【labelme】13分鐘教會(huì)你使用labelme的超詳細(xì)教程_嗶哩嗶哩_bilibilihttps://www.bilibili.com/video/BV1xT4y1j7A9/?spm_id_from=333.337.search-card.all.click&vd_source=5f4b20d0e5c3da5309d6a393f8eb94a1

（3）MakeSense

基于JavaScript開發(fā)用于圖像目標(biāo)檢測(cè)的標(biāo)注工具，使用React+Redux進(jìn)行開發(fā)，支持Windows和Linux平臺(tái)運(yùn)行。

3.3 MakeSense定義標(biāo)簽_嗶哩嗶哩_bilibili原書信息：清華大學(xué)出版社-圖書詳情-《TensorFlow+Android經(jīng)典模型從理論到實(shí)戰(zhàn)（微課視頻版）》 http://www.tup.tsinghua.edu.cn/booksCenter/book_09703501.html第3章 EfficientDet與美食場(chǎng)景檢測(cè)當(dāng)你讀完第3章時(shí)，你應(yīng)該能夠：l?熟悉和理解美食數(shù)據(jù)集的結(jié)構(gòu)特點(diǎn)。l?了解解決目標(biāo)檢測(cè)問題的技術(shù)路線。l?掌握一種為數(shù), 視頻播放量 224、彈幕量 0、點(diǎn)贊數(shù) 3、投硬幣枚數(shù) 0、收藏人數(shù) 4、轉(zhuǎn)發(fā)人數(shù) 5, 視頻作者 水木智聯(lián), 作者簡(jiǎn)介 萬物智聯(lián)，智聯(lián)萬物，相關(guān)視頻：【附源碼】用Python輕松破解WiFi 密碼伸手就來?。≡僖膊挥脫?dān)心流量不夠用啦?。?，【比刷劇還爽！】從入門到精通CNN、RNN、GAN、GNN、DQN、Transformer、LSTM等八大深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)一口氣學(xué)完！這不比刷劇爽多了！，2023年12月最新ChatGPT4.0國(guó)內(nèi)保姆級(jí)使用教程，12月份最新ChatGPT來了，國(guó)內(nèi)無限制免費(fèi)使用教程！，全新YOLOV5實(shí)戰(zhàn)課程！整整18集，大佬帶你玩轉(zhuǎn)YOLOV5實(shí)戰(zhàn)項(xiàng)目?。ê创a）—YOLOV5實(shí)戰(zhàn)、YOLOV5、計(jì)算機(jī)視覺、目標(biāo)檢測(cè)，(免費(fèi)) 讓任何軟件AI實(shí)時(shí)渲染！打通AI最后500米（一鍵包2.0版），普通人千萬不要學(xué)Python?。?！，吹爆！想學(xué)好線代一定不能錯(cuò)過的《線性代數(shù)可視化手冊(cè)》，搞定它，你的線代就搞定了90%！，【無人駕駛項(xiàng)目】使用機(jī)器學(xué)習(xí)的真實(shí)世界自動(dòng)駕駛車輛安全規(guī)劃，入門到提高全套教程！，太穩(wěn)啦！全新方法的T-Rex標(biāo)注神器！通過視覺提示進(jìn)行交互式目標(biāo)計(jì)數(shù)！！-深度學(xué)習(xí)/機(jī)器學(xué)習(xí)/計(jì)算機(jī)視覺https://www.bilibili.com/video/BV1ss4y1u731/?spm_id_from=333.337.search-card.all.click

（4）精靈標(biāo)注助手（Colabeler）

相比于Labelme，LabelImg這些標(biāo)注工具，精靈標(biāo)注助手強(qiáng)大的地方在于支持實(shí)例分割、目標(biāo)檢測(cè)、文本標(biāo)注、音頻標(biāo)注和視頻標(biāo)注等 ，并且完全免費(fèi)。

數(shù)據(jù)標(biāo)注軟件精靈標(biāo)注助手比labelme好用_嗶哩嗶哩_bilibilihttps://www.bilibili.com/video/BV1PW4y167Ez/?spm_id_from=333.337.search-card.all.click&vd_source=5f4b20d0e5c3da5309d6a393f8eb94a1

（5）CVAT

CVAT是一個(gè)免費(fèi)的、在線的、交互式的視頻注釋工具，支持本地部署，無需擔(dān)心數(shù)據(jù)外泄。它支持多人協(xié)作，能用于幾乎所有CV相關(guān)標(biāo)注任務(wù)，如點(diǎn)，多邊形，語義分割等。

圖像標(biāo)注平臺(tái)CVAT的安裝和使用_嗶哩嗶哩_bilibili這個(gè)視頻介紹了圖像標(biāo)注平臺(tái)CVAT (computer vision annotation tool) 的安裝和使用方法。CVAT可以使用docker工具來安裝，安裝基礎(chǔ)功能很方便；如果希望安裝半自動(dòng)標(biāo)注功能是通過配置nuclio中的serverless功能來實(shí)現(xiàn)的；最后簡(jiǎn)單介紹一下如何CVAT的界面標(biāo)注數(shù)據(jù)。官方文檔：https://opencv.github.io/cvat/docs/admi, 視頻播放量 2866、彈幕量 5、點(diǎn)贊數(shù) 49、投硬幣枚數(shù) 23、收藏人數(shù) 121、轉(zhuǎn)發(fā)人數(shù) 35, 視頻作者 太陽照常升起233, 作者簡(jiǎn)介 ，相關(guān)視頻：醫(yī)學(xué)圖像分割實(shí)戰(zhàn)：基于U-Net模型的醫(yī)學(xué)細(xì)胞圖像分割+基于Deeplab的醫(yī)學(xué)心臟圖像分割實(shí)戰(zhàn)精講，原理詳解+項(xiàng)目實(shí)戰(zhàn)，看完就能跑通！，肝臟腫瘤圖像分割、心臟圖像分割、細(xì)胞圖像分割全詳解！B站最全面的醫(yī)學(xué)圖像分割實(shí)戰(zhàn)教程分享，原理詳解+項(xiàng)目實(shí)戰(zhàn)，看完就能跑通！，數(shù)據(jù)標(biāo)注任務(wù)員，在家搬磚就能日賺100~200，平臺(tái)分享，2023年人工智能醫(yī)學(xué)領(lǐng)域兩大熱門項(xiàng)目：基于Transformer的圖像分割+基于Resnet的醫(yī)學(xué)數(shù)據(jù)集分類【從原理到實(shí)戰(zhàn)】，太穩(wěn)啦！全新方法的T-Rex標(biāo)注神器！通過視覺提示進(jìn)行交互式目標(biāo)計(jì)數(shù)??！-深度學(xué)習(xí)/機(jī)器學(xué)習(xí)/計(jì)算機(jī)視覺，這也太全了！Pandas、Seaborn、Numpy、Matplotlib四大Python數(shù)據(jù)科學(xué)必備工具包實(shí)戰(zhàn)全教程學(xué)到爽！Python數(shù)據(jù)分析，WACV2024:可變性大核注意力醫(yī)學(xué)圖像分割，“ChatGPT超詳細(xì)免費(fèi)教程”無需魔法 國(guó)內(nèi)直接使用，【無人駕駛項(xiàng)目】使用機(jī)器學(xué)習(xí)的真實(shí)世界自動(dòng)駕駛車輛安全規(guī)劃，入門到提高全套教程！，完全自學(xué)！跟著老師三周拿下【機(jī)器學(xué)習(xí)Halcon】從入門到實(shí)戰(zhàn)！整整63集學(xué)到爽！含配套課程資源~—機(jī)器視覺、計(jì)算機(jī)視覺、CV、人工智能、圖像處理、圖像匹配https://www.bilibili.com/video/BV1Yh4y1R7ZD/?spm_id_from=333.337.search-card.all.click

（6）VIA(VGG Image Annotator)

一款開源的圖像標(biāo)注工具，由Visual Geometry Group開發(fā)。可以在線和離線使用，可標(biāo)注矩形、圓、橢圓、多邊形、點(diǎn)和線。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本制作工具 VGG Image Annotator (via) 小教程_嗶哩嗶哩_bilibilihttps://www.bilibili.com/video/BV1SZ4y1p7xd/?spm_id_from=333.337.search-card.all.click&vd_source=5f4b20d0e5c3da5309d6a393f8eb94a1

2.3?公開的CV數(shù)據(jù)集網(wǎng)站

（1）谷歌數(shù)據(jù)庫：Dataset Search (google.com)

谷歌數(shù)據(jù)集搜索是一個(gè)在線工具，允許用戶搜索、發(fā)現(xiàn)和訪問各種來源的數(shù)據(jù)集，包括政府機(jī)構(gòu)、學(xué)術(shù)機(jī)構(gòu)、企業(yè)和個(gè)人貢獻(xiàn)者。這些數(shù)據(jù)集涵蓋廣泛的主題，包括醫(yī)療保健、金融、氣候、交通、社會(huì)科學(xué)和藝術(shù)。

（2）RobolFlow：All Projects | Roboflow Universe Search

Roboflow?是一個(gè)提供一站式解決方案的平臺(tái)，用戶可以在該平臺(tái)上上傳、組織、標(biāo)注、增強(qiáng)和處理數(shù)據(jù)集，然后簡(jiǎn)化訓(xùn)練過程，并通過多種部署選項(xiàng)加速模型的部署。該平臺(tái)提供了許多已經(jīng)標(biāo)注好的yolo格式的數(shù)據(jù)集，可直接下載使用。

（3）VisualData：VisualData Discovery - Search Engine for Computer Vision Datasets

VisualData是一個(gè)專用于搜索計(jì)算機(jī)視覺數(shù)據(jù)集和代碼／模型的搜索引擎。該網(wǎng)站現(xiàn)已收集281個(gè)計(jì)算機(jī)視覺數(shù)據(jù)集，用戶可以在該網(wǎng)站上通過簡(jiǎn)單的搜索找到適合自己項(xiàng)目的數(shù)據(jù)集。

（4）ImageNet：ImageNet (image-net.org)

ImageNet是市場(chǎng)上最大、最受歡迎的開源數(shù)據(jù)集之一。ImageNet擁有超過1400萬張已手動(dòng)標(biāo)注的圖像。數(shù)據(jù)庫按WordNet層次結(jié)構(gòu)予以組織，對(duì)象級(jí)標(biāo)注通過邊界框完成。

（5）LSUN：https://www.yf.io/p/lsun

LSUN數(shù)據(jù)集為場(chǎng)景理解（房間布局估計(jì)，顯著性預(yù)測(cè)等）提供了許多輔助任務(wù)。

（6）COCO：COCO - Common Objects in Context (cocodataset.org)

COCO是大規(guī)模的對(duì)象檢測(cè)，分割和字幕數(shù)據(jù)集，包含超過200,000張帶標(biāo)簽的圖像。

3. 模型訓(xùn)練

3.1 訓(xùn)練前準(zhǔn)備

在機(jī)器學(xué)習(xí)中，我們通常會(huì)將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集：

1. 訓(xùn)練集：訓(xùn)練集用于模型的訓(xùn)練，即用于調(diào)整模型的參數(shù)。這就像是學(xué)生的課本，用于日常的知識(shí)鞏固。

2. 驗(yàn)證集：驗(yàn)證集用于模型的調(diào)整和評(píng)估。它可以用來選擇和調(diào)整模型的超參數(shù)，以及對(duì)模型的能力進(jìn)行初步評(píng)估。這就像是學(xué)生的周考，用來糾正和強(qiáng)化學(xué)到的知識(shí)。

3. 測(cè)試集：測(cè)試集用于評(píng)估模型的最終性能，即模型的泛化能力。但它不能用于調(diào)整模型的參數(shù)或選擇特征等算法相關(guān)的選擇。這就像是學(xué)生的期末考試，用來最終評(píng)估學(xué)習(xí)效果。

在實(shí)際應(yīng)用中，訓(xùn)練集、驗(yàn)證集和測(cè)試集的劃分比例一般遵循6:2:2的原則。這三個(gè)數(shù)據(jù)集的數(shù)據(jù)分布應(yīng)該是近似的，但它們所用的數(shù)據(jù)是不同的。這樣做的目的是為了使模型的訓(xùn)練效果能合理地泛化至測(cè)試效果，從而推廣應(yīng)用至現(xiàn)實(shí)世界中。同時(shí)，模型在訓(xùn)練集、驗(yàn)證集和測(cè)試集上所反映的預(yù)測(cè)效果可能存在差異。

示例：雜草檢測(cè)

目前已經(jīng)獲取到了60張雜草圖片，并利用labelimg進(jìn)行了雜草數(shù)據(jù)的標(biāo)注。由于圖片數(shù)量較少，這里將編號(hào)1~19+31~60共計(jì)49張圖片作為訓(xùn)練集，將編號(hào)20~30共計(jì)11張圖片作為驗(yàn)證集。

????

首先需要對(duì)源圖片以及處理好的進(jìn)行文件整理，文件的結(jié)構(gòu)可以如下圖所示：

bvn               # 數(shù)據(jù)集名稱
	images		  # 存放圖片
		train	  # 訓(xùn)練集圖片
		val	  # 驗(yàn)證集圖片
	labels		  # 存放標(biāo)簽(圖片中不同類別的定位數(shù)據(jù))
		train	  # 訓(xùn)練集標(biāo)簽文件，要與訓(xùn)練集圖片名稱一一對(duì)應(yīng)
		val      # 驗(yàn)證集標(biāo)簽文件，要與驗(yàn)證集圖片名稱一一對(duì)應(yīng)

3.2?Pycharm雜草識(shí)別教程

Step1: 首先，先從Ultralytics官方網(wǎng)站上下載源碼（這一步是方便后續(xù)操作）并解壓。

Step2: 新建Pycharm項(xiàng)目，命名為ultralytics-main。在資源管理器中打開ultralytics-main目錄，將Step1中的文件復(fù)制粘貼到該目錄下。完成后的Pycharm頁面如下圖所示：

Step3: Pycharm環(huán)境中，在項(xiàng)目ultralytics-main下新建目錄datasets(不可改變名稱，否則后續(xù)操作會(huì)報(bào)錯(cuò))，在資源管理器中打開datasets目錄，將含有訓(xùn)練集和驗(yàn)證集的文件夾bvn復(fù)制粘貼到該目錄下。完成后的頁面如下圖所示：

Step4: 創(chuàng)建配置文件。在項(xiàng)目ultralytics-main下新建文件yolo-bvn.yaml，鍵入以下內(nèi)容。

path: bvn    # 數(shù)據(jù)集目錄
train: images/train      # 訓(xùn)練集圖片目錄
val: images/val          # 驗(yàn)證集圖片目錄
test:                    # 沒有設(shè)置測(cè)試集圖片，此處為空即可

# Classes
names:
  0: bodyak
  1: osot
  2: shchavel

Step5: 通過代碼運(yùn)行。在項(xiàng)目ultralytics-main下新建文件yolov8-train.py文件，鍵入以下內(nèi)容。

from ultralytics import YOLO

# load a model
model = YOLO('yolov8n.pt')

# Train the model
model.train(data='yolo-bvn.yaml', workers=0, epochs=50, batch=16)

# windows平臺(tái)，此處的workers必須設(shè)置為0，否則報(bào)錯(cuò)。

Step6: 選擇在當(dāng)前文件運(yùn)行。運(yùn)行完成后項(xiàng)目里會(huì)出現(xiàn)“runs”文件夾。在runs_ detect_ train_ weights中包含了計(jì)算得到的最優(yōu)模型和最后的模型。

Step7: 驗(yàn)證模型的準(zhǔn)確性。選擇驗(yàn)證集中的一張照片，驗(yàn)證所得到的最優(yōu)模型的準(zhǔn)確性。在pycharm終端中輸入:

yolo detect predect model=runs/detect/train11/weights/best.pt source=./25.jpg show=True

? ??

4. 結(jié)語

? ? ? ?目標(biāo)檢測(cè)只是計(jì)算視覺中很小的一部分，還有分類、動(dòng)態(tài)跟蹤、定位等一系列的工作。我這是個(gè)新手，上面的內(nèi)容雖然看似簡(jiǎn)單，但卻花費(fèi)了我一個(gè)月時(shí)間去購置主機(jī)、配置yolov8環(huán)境、搜尋數(shù)據(jù)集、標(biāo)注、跑程序等。接下來我會(huì)繼續(xù)更新關(guān)于雜草識(shí)別與定位的個(gè)人研究?jī)?nèi)容，歡迎大家持續(xù)關(guān)注。文章來源地址http://www.zghlxwxcb.cn/news/detail-815927.html

到了這里，關(guān)于基于Pycharm的YOLOv8教程——運(yùn)行環(huán)境配置+雜草識(shí)別示例的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?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)！