YOLOX训练自己的数据集(超详细)
Posted AI小白一枚
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了YOLOX训练自己的数据集(超详细)相关的知识,希望对你有一定的参考价值。
目录
(1)、将yolox/data/datasets/voc_classes.py中的标签信息,进行修改。
(4)、修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。
YOLOX是旷视提出来的,研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与 YOLO 进行了巧妙地集成组合,不仅实现了超越 YOLOv3、YOLOv4 和 YOLOv5 的 AP,而且取得了极具竞争力的推理速度。
一、YOLOX安装
1、下载GitHub上的代码
git clone https://github.com/Megvii-BaseDetection/YOLOX
2、安装yolov5所需要的依赖环境
(1)、安装代码依赖的库文件
cd /home/xxx/xxx/xxxr/YOLOX-main
pip3 install -U pip && pip3 install -r requirements.txt
(2)、通过setup.py安装一些库文件
通过setup.py安装一些库文件
输入命令:python3 setup.py develop
(3)、安装apex文件
输入命令:git clone https://github.com/NVIDIA/apex
sudo pip3 install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./
二、YOLOX训练自己的数据集
1、数据集预处理
在这里选择使用VOC格式对YOLOX进行训练,处理的图片主要包含三个文件夹,其中Annotations存放的是xml标签数据,JPEGImages存放的是图片数据,ImageSets存放的是训练、验证、测试的txt文件。
2、修改代码
(1)、将yolox/data/datasets/voc_classes.py中的标签信息,进行修改。
注意:类别后面都要加逗号,例如“car”后面加了一个逗号“,”。
(2)、修改类别数量
- 修改exps/example/yolox_voc/yolox_voc_s.py中的self.num_classes
- 修改yolox/exp/yolox_base.py中的self.num_classes
(3)、修改训练集信息
- 修改exps/example/yolox_voc/yolox_voc_s.py中的VOCDection。
data_dir是前面product_ak的绝对路径,
images_sets修改为trainval
max_labels表示图片最多的目标数量,设为50。
- 修改yolox/data/datasets/voc.py中,VOCDection函数中的读取txt文件。
(4)、修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。
data_dir是前面product_ak的绝对路径,
images_sets修改为test
(5)、修改不同的网络结构
以YOLOX_l网络为例,比如在exps/default/yolox_s.py中,self.depth=1.0,self.width=1.0。和Yolov5中的不同网络调用方式一样。
为了统一不同的网络结构,继续修改exps/example/yolox_voc/yolox_voc_s.py中的,self.depth和self.width。
再修改yolox/exp/yolox_base.py中的,self.depth和self.width。
(6)、修改其他相关参数
- 修改验证epoch的数量
目前代码中是训练迭代10个epoch,再对验证集做1次验证,但大白想每迭代1个epoch,即做一个验证,及时看到效果。
- 修改验证时的相关信息
主要对读取验证信息的相关代码进行调整,代码在yolox/data/datasets/voc.py中_do_python_eval函数中。
- 因为自有数据集没有year信息,所以将其中的rootpath和name修改
- 因为没有year信息,所以将其中的cachedir修改;修改use_07_metric的信息。
三、YOLOX训练
1、终端训练
将下载好的yolox_s.pth.tar放到YOLOX文件夹中,打开终端,在终端中输入:
python3 tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 0 -b 64 -c yolox_s.pth.tar
2、Pycharm训练
代码运行时,常常需要Debug的方式,进行调试执行。所以可以修改train.py的几个配置参数,采用Debug或者Run的方式进行执行。主要需要修改以下参数:
- batch-size
根据自己机器的配置,设置batch-size的参数,比如设置为64。
- devices参数
如果GPU服务器只有1张卡,将devices的default修改为0。
- exp_file参数
将exp_file的default修改为yolox_voc_s.py的路径(如代码版本更新,可重置路径)。
- ckpt参数
如果使用预训练权重,将ckpt的default修改为模型权重的路径。
然后就可以在pycharm里面进行训练了。
四、YOLOX训练及常见问题
在训练完成后,可以对训练的YOLOX算法模型进行测试,测试文件保存在tools/文件夹下,测试可以运行demo.py和eval.py这两个文件
1、利用demo.py进行测试
- 首先是选择测试的模式是图片还是视频,然后输入需要测试图片/视频的路径
- 修改yolox的配置文件,与训练时的配置文件一致
- 修改训练后模型的保存地址,以及是否使用GPU进行加速
- 到此就可以运行demo.py进行demo测试了,测试后输出测试结果,如下所示
2、利用eval.py进行测试
-
修改eval.py文件中的batch_size大小,可根据个人的显卡大小修改
- 修改yolox的配置文件,与训练时的配置文件一致
- 修改测试时使用的模型,得分阈值、nms阈值等参数
- 修改上述参数就可以进行验证了,会输出模型在测试集的mAP等指标
以上是关于YOLOX训练自己的数据集(超详细)的主要内容,如果未能解决你的问题,请参考以下文章
YOLOX实战:超详细!手把手教你使用YOLOX进行物体检测(附数据集)