Skip to content

Latest commit

 

History

History
158 lines (131 loc) · 3.31 KB

README.md

File metadata and controls

158 lines (131 loc) · 3.31 KB
Raw

Rebar_Detect

介绍

CCFDF 智能盘点-钢筋数量AI识别

仓库文件路径组织如下：

rebar_detect/
    |->darknet/
    |    |->cfg
    |    |->data
    |    |->cv_list
    |    |->data_augment
    |    |->img_list
    |    |->labels
    |    |->original_img
    |    |->original_list
    |    |->test_list
    |    |->train_list
    |->examples
    |->include
    |->python
    |->src
    |->tools/
    |    |->gen_train_list_tools
    |    |->imgaug_tools
    |    |->submit_tools
    |->DataFountain/
    |    |->GLODON_ObjDet
    |    |->data_augment

安装

  1. 下载代码
git clone https://github.com/vicwer/rebar_detect.git
  1. 由于使用的darknet框架，没有任何依赖，所以下载代码后按照官网方式编译就可以

比赛思路，实现过程，训练，预测

比赛思路

由于给定的数据集分辨率很高，而且图数量不算多，重要的是，算力有限，所以原图训练不适合。

由此，整体思路是每张图滑窗裁剪保存作为新的训练集，训练时使用裁剪后的图做多尺度训练，由于是全卷积网络，所以预测时可以用大分辨率检测。

实现过程

  1. 准备数据
DataFountain/
    |    |->GLODON_ObjDet
    |    |    |->data_augment
    |    |    |->train_dataset
    |    |    |->train
    |    |    |->test_dataset

将下载的数据集解压到train文件夹，train_label.csv放在GLODON_ObjDet下。

  1. 运行以下脚本生成图像img_label.txt，存放图像路径和标签：
cd tools/imgaug_tools/
python3 gen_img_and_label_list.py
  1. 做CV:
cd tools/imgaug_tools/
python3 gen_cv_list.py
  1. CV后选择四个文件做训练集，一个做验证集，然后做镜像翻转：
cd tools/imgaug_tools/
python3 data_augment.py
  1. 将数据增广后的文件列表合并，做滑窗裁剪操作：
cd tools/imgaug_tools/
python3 img_cv.py
  1. 将滑窗后的文件列表合并，转换成YOLO训练的格式：
cd tools/gen_train_list_tools/
python3 gen_train_list.py
  1. 得到的文件列表shuffle

训练

  1. anchor设定两种方式，聚类或者统计boxes最大最小值均分：
cd tools/imgaug_tools/
python3 kmeans.py
or
python3 find_max_min_box.py
  1. cfg设置：
cd darknet/cfg/
vim rebar.data
train = {your path}
etc.

训练

vim yolov3-rebar.cfg
# batch = 1
# subdivsions = 1
batch = 64
subdivsions = 32
width = 416
height = 416
./darknet detector train cfg/rebar.data cfg/yolov3-rebar.cfg -gpus 0,1,2,3

预测

cd darknet/cfg/
vim yolov3-rebar.cfg
batch = 1
subdivsions = 1
# batch = 64
# subdivsions = 32
width = 1504
height = 1504
./darknet detector test cfg/rebar.data cfg/yolov3-rebar.cfg {model} {img_path}

结果

提交结果

检测效果

其他

  1. 训练图像的尺寸必须是32的倍数

  2. 修改训练尺寸在"darknet/examples/detector.c"的line65, line66

  3. darknet预训练模型可在darknet官网下载，我训练时没用预训练模型，应该不影响精度

  4. 如有疑问，可issue

  5. 引文：

@article{yolov3,
  title={YOLOv3: An Incremental Improvement},
  author={Redmon, Joseph and Farhadi, Ali},
  journal = {arXiv},
  year={2018}
}