標記圖片使用LabelImg

LabelImg Github

• git clone https://github.com/tzutalin/labelImg.git

• pip install lxml

• pip install pyqt5

• 如遇到No module named 'libs.resources'錯誤輸入下列指令

  pyrcc5 -o ./libs/resources.py resources.qrc
  

labelImg\data\predefined_classes.txt是預設類別名稱 如果要直接標記Yolo格式檔的人先把裡面的預設類別清除

開始標記照片

這邊分成兩種標記方式，一個是直接標記yolo專用格式檔 另一個是xml再轉成yolo專用格式檔

---

首先教學的是直接標記yolo格式檔

把照片分別放入放入yolo_train、yolo_test底下，數量為80%:20%

labelImg設定好讀取圖片檔案資料夾、儲存標記檔資料夾，就可以開始標記

• 標記完成後打開Command OR Terminal並輸入以下指令
  • cd 至 XOXO(您的專案名稱)_detection檔案資料夾底下
  • key入 python Image Path Txt.py

當您完成上述步驟會在test、train資料夾內出現對應圖片檔名稱的txt也就是for yolo的標記檔

在cfg資料夾內會出現test.txt、train.txt檔

有出現上述兩個檔案內容表示完成配置您標記和訓練檔路徑了！

---

接著開始教學xml格式轉成yolo用格式方法

把照片分別放入放入xml_train、xml_test底下的image，數量為80%:20%

labelImg設定好讀取圖片檔案資料夾、儲存標記檔資料夾(格別資料夾底下的xml資料夾)，就可以開始標記

• 標記完成後打開Command OR Terminal並輸入以下指令

  • cd 至 XOXO(您的專案名稱)_detection檔案資料夾底下

  • 更改PASCAL VOC xml to txt.py檔案內的57~61行，如下圖

  • 對應到test和train，所以說下列指令要做兩次，分別為跟改test後和train後

  • key入 python PASCAL VOC xml to txt.py

  • 如遇到No module named 'beautifulsoup4'錯誤輸入下列指令

    pip3 install beautifulsoup4
    

  • 如遇到lxml錯誤輸入下列指令

    pip3 install lxml
    

當您完成上述步驟會在test、train資料夾內出現對應圖片檔名稱的txt也就是for yolo的標記檔，還有從image資料夾內複製的圖片

在cfg資料夾內會出現test.txt、train.txt檔

有出現上述兩個檔案內容表示完成配置您標記和訓練檔路徑了！

接著開始建置Darknet

Darknet

• git clone https://github.com/AlexeyAB/darknet.git
• cd darknet && make

---

windows 建置環境可以參考下列教學

• CUDA 與 CuDNN 安裝

• window Darknet make

---

Linux、Ubuntu 安裝Darknet 較為簡單

• cd至Darknet資料夾底下，打開Makefile跟改下列四行，由0變成1

• 改為1是為了讓GPU可以運算0的話則為CPU運算

• 更改完儲存後直接key入

• make

• 如遇到遇到nvcc not found錯誤輸入下列指令(下列路徑要替換成自己系統的路徑)

  export PATH=/usr/local/cuda-10.1/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}}:/home/itriedgetpunpust/anaconda3/envs/YOLO/lib
  

• 如遇到No package 'opencv' found to the PKG_CONFIG_PATH environment variable錯誤輸入下列指令(下列路徑要替換成自己系統的路徑)

  export  PKG_CONFIG_PATH=/home/itriedgetpunpust/anaconda3/envs/YOLO/lib/pkgconfig
  

---

因為方便各位訓練因此這次我們會使用Colaboratory來建置訓練環境

Colaboratory官方網站

更多操作指令參考

Google Colab相關設定

此次YOLO Colaboratory範例檔

首先將Colaboratory更改為GPU資源運算-->點選「執行階段」-「變更執行階段類型」

將(YourObjectName)_detection壓縮上傳至於雲端資料夾內

---

複製darknet/cfg/yolov4-tiny-custom.cfg 到cfg資料夾底下可以改名為yolov4-tiny-obj.cfg(好心的學長都有放到cfg資料夾內了)

更改obj.names類別名稱

更改obj.data路徑

yolov4 偵測的濾鏡(filter) 大小為 (A+5)*B
B 是每個Feature Map可以偵測的bndBox數量，這裡設定為3
5 是bndBox輸出的5個預測值: x,y,w,h 以及 Confidence
A 是類別數量
filters=(classes + 5)*3  # 因為是一個類別，所以filters更改為 18
classes=1  

修改yolov4-tiny-obj.cfg檔案，打開檔案搜尋classes，然後往上找的第一個filters要改，還有classes本身要改

修改預設 anchors 值，可以使用以下指令 (記得更改參數 cfg/face.data, num_of_clusters, width, height)，是由 Darknet 官方寫好可以自動算出 anchors值，再把anchors值貼回到yolov4-tiny-obj.cfg第219, 268 行