【深度学习】YOLOv5，烟雾和火焰，目标检测，防火检测，

  • 开发
  • 37

文章目录

数据收集和数据标注

搜集数据集2w张。

pip install labelme
labelme
然后标注矩形框和类别。

下载数据请看这里：

https://qq742971636.blog.csdn.net/article/details/137999662

查看标注好的数据的脚本

输入图片路径和标签路径可以一张一张浏览照片：

import os
import cv2
import numpy as np

# 图像和标签文件夹路径
image_folder = r'F:\BaiduNetdiskDownload\fireandsmoke_last\fireandsmoke_last\images_choose'
label_folder = r'F:\BaiduNetdiskDownload\fireandsmoke_last\fireandsmoke_last\labels'

# 定义类别颜色（这里假设有两个类别，你可以根据实际情况扩展）
class_colors = [(0, 255, 0), (0, 0, 255), (255, 0, 0)]
class_name = ['fire', 'smoke']
# 获取文件夹中的所有图像文件
image_files = [f for f in os.listdir(image_folder) if f.endswith('.jpg') or f.endswith('.png')]

# 遍历图像文件
for image_file in image_files:
    image_path = os.path.join(image_folder, image_file)
    label_path = os.path.join(label_folder, os.path.splitext(image_file)[0] + '.txt')

    # 检查是否存在标签文件
    if os.path.exists(label_path):
        # 读取图像
        image = cv2.imread(image_path)

        # 读取标签内容
        with open(label_path, 'r') as file:
            lines = file.readlines()

        class_id_all = []
        # 遍历标签行
        for line in lines:
            values = line.split()
            class_id = int(values[0])
            x_center = float(values[1]) * image.shape[1]
            y_center = float(values[2]) * image.shape[0]
            width = float(values[3]) * image.shape[1]
            height = float(values[4]) * image.shape[0]

            # 计算边界框的左上角和右下角坐标
            x1 = int(x_center - width / 2)
            y1 = int(y_center - height / 2)
            x2 = int(x_center + width / 2)
            y2 = int(y_center + height / 2)

            # 获取当前类别的颜色
            color = class_colors[class_id]

            # 在图像上绘制矩形框和类别标签数字
            cv2.rectangle(image, (x1, y1), (x2, y2), color, 2)
            cv2.putText(image, class_name[class_id], (x1, y1 + 15), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)

            class_id_all.append(class_id)

        # if 2 not in class_id_all:
        #     continue
        # 等比缩放到最长边为800
        max_size = 800
        if image.shape[0] > image.shape[1]:
            scale = max_size / image.shape[0]
        else:
            scale = max_size / image.shape[1]
        image = cv2.resize(image, (int(image.shape[1] * scale), int(image.shape[0] * scale)))
        # 显示图像
        cv2.imshow('Image', image)

        # 等待按键输入，按下任意键跳到下一张图
        cv2.waitKey(0)
        cv2.destroyAllWindows()

比如：
在这里插入图片描述
在这里插入图片描述

下载yolov5

下载yolov5

git clone https://github.com/ultralytics/yolov5.git
cd yolov5/

创建环境：

conda create -n py310_yolov5 python=3.10 -y
conda activate py310_yolov5

装一个可以用的torch：


# CUDA 11.8
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=11.8 -c pytorch -c nvidia

取消这2个：
在这里插入图片描述

然后安装一些别的包：

pip install -r requirements.txt  # install

随后更多内容参考官网这里的训练指导：

https://docs.ultralytics.com/zh/yolov5/tutorials/train_custom_data/#before-you-start

创建 dataset.yaml

创建文件：

cd yolov5/data
cp coco128.yaml fire_smoke.yaml

将fire_smoke.yaml修改为这样：


path: /ssd/xiedong/fireandsmoke_last/
train: images
val: images
test: # test images (optional)

# Classes
names:
  0: fire
  1: smoke
  2: other

训练参数

使用python train.py --help查看训练参数：

# python train.py --help
警告 ⚠️ Ultralytics 设置已重置为默认值。这可能是由于您的设置存在问题或最近 Ultralytics 包更新导致的。
使用 'yolo settings' 命令或查看 '/home/xiedong/.config/Ultralytics/settings.yaml' 文件来查看设置。
使用 'yolo settings key=value' 命令来更新设置，例如 'yolo settings runs_dir=path/to/dir'。更多帮助请参考 https://docs.ultralytics.com/quickstart/#ultralytics-settings。
用法: train.py [-h] [--weights WEIGHTS] [--cfg CFG] [--data DATA] [--hyp HYP] [--epochs EPOCHS] [--batch-size BATCH_SIZE] [--imgsz IMGSZ] [--rect] [--resume [RESUME]]
                [--nosave] [--noval] [--noautoanchor] [--noplots] [--evolve [EVOLVE]] [--evolve_population EVOLVE_POPULATION] [--resume_evolve RESUME_EVOLVE]
                [--bucket BUCKET] [--cache [CACHE]] [--image-weights] [--device DEVICE] [--multi-scale] [--single-cls] [--optimizer {SGD,Adam,AdamW}] [--sync-bn]
                [--workers WORKERS] [--project PROJECT] [--name NAME] [--exist-ok] [--quad] [--cos-lr] [--label-smoothing LABEL_SMOOTHING] [--patience PATIENCE]
                [--freeze FREEZE [FREEZE ...]] [--save-period SAVE_PERIOD] [--seed SEED] [--local_rank LOCAL_RANK] [--entity ENTITY] [--upload_dataset [UPLOAD_DATASET]]
                [--bbox_interval BBOX_INTERVAL] [--artifact_alias ARTIFACT_ALIAS] [--ndjson-console] [--ndjson-file]

选项:
  -h, --help            显示帮助信息并退出
  --weights WEIGHTS     初始权重路径
  --cfg CFG             模型配置文件路径
  --data DATA           数据集配置文件路径
  --hyp HYP             超参数路径
  --epochs EPOCHS       总训练轮数
  --batch-size BATCH_SIZE
                        所有 GPU 的总批量大小，-1 表示自动批处理
  --imgsz IMGSZ, --img IMGSZ, --img-size IMGSZ
                        训练、验证图像大小（像素）
  --rect                矩形训练
  --resume [RESUME]     恢复最近的训练
  --nosave              仅保存最终检查点
  --noval               仅验证最终轮次
  --noautoanchor        禁用 AutoAnchor
  --noplots             不保存绘图文件
  --evolve [EVOLVE]     为 x 代演进超参数
  --evolve_population EVOLVE_POPULATION
                        加载种群的位置
  --resume_evolve RESUME_EVOLVE
                        从上一代演进恢复
  --bucket BUCKET       gsutil 存储桶
  --cache [CACHE]       图像缓存 ram/disk
  --image-weights       在训练时使用加权图像选择
  --device DEVICE       cuda 设备，例如 0 或 0,1,2,3 或 cpu
  --multi-scale         图像大小变化范围为 +/- 50%
  --single-cls          将多类数据作为单类训练
  --optimizer {SGD,Adam,AdamW}
                        优化器
  --sync-bn             使用 SyncBatchNorm，仅在 DDP 模式下可用
  --workers WORKERS     最大数据加载器工作进程数（每个 DDP 模式中的 RANK）
  --project PROJECT     保存到项目/名称
  --name NAME           保存到项目/名称
  --exist-ok            存在的项目/名称正常，不增加
  --quad                四通道数据加载器
  --cos-lr              余弦学习率调度器
  --label-smoothing LABEL_SMOOTHING
                        标签平滑 epsilon
  --patience PATIENCE   EarlyStopping 耐心（未改善的轮次）
  --freeze FREEZE [FREEZE ...]
                        冻结层：backbone=10, first3=0 1 2
  --save-period SAVE_PERIOD
                        每 x 轮保存检查点（如果 < 1 则禁用）
  --seed SEED           全局训练种子
  --local_rank LOCAL_RANK
                        自动 DDP 多 GPU 参数，不要修改
  --entity ENTITY       实体
  --upload_dataset [UPLOAD_DATASET]
                        上传数据，"val" 选项
  --bbox_interval BBOX_INTERVAL
                        设置边界框图像记录间隔
  --artifact_alias ARTIFACT_ALIAS
                        要使用的数据集 artifact 版本
  --ndjson-console      将 ndjson 记录到控制台
  --ndjson-file         将 ndjson 记录到文件

开始训练

多卡训练：

python -m torch.distributed.run --nproc_per_node 4 train.py --weights yolov5m.pt --data fire_smoke.yaml --batch-size 300  --epochs 50 --img 640 --sync-bn --name fm0423 --cos-lr --device 0,1,2,3

正常启动训练：

在这里插入图片描述

少量图片损坏不用管：

在这里插入图片描述

我的数据集很难，是野外数据，可见刚开始指标并不好：

在这里插入图片描述

阅读全部

相关推荐

最近更新

  3. docker php8.1+nginx base 镜像 dockerfile 配置

    2024-04-23 08:58:01       94 阅读

  4. Could not load dynamic library ‘cudart64_100.dll‘

    2024-04-23 08:58:01       101 阅读

  9. 在Django里面运行非项目文件

    2024-04-23 08:58:01       82 阅读

  19. Python语言-面向对象

    2024-04-23 08:58:01       91 阅读

  20. 如何分清楚常见的 Git 分支管理策略Git Flow、GitHub Flow 和 GitLab Flow

    2024-04-23 08:58:01       85 阅读

热门阅读

  11. milvus 相似度检索的底层原理

    2024-04-23 08:58:01       34 阅读

  15. 【LeetCode热题100】【图论】腐烂的橘子

    2024-04-23 08:58:01       35 阅读

  18. 【k8s】（五）kubernetes1.29.4离线部署之-初始化第一个控制平面

    2024-04-23 08:58:01       34 阅读

  19. SAM-Lighting 项目排坑

    2024-04-23 08:58:01       38 阅读

  21. 使用 Monaco Editor 开发 SQL 编辑器

    2024-04-23 08:58:01       32 阅读

  22. 什么是防火墙？

    2024-04-23 08:58:01       31 阅读

  24. asp.net get请求base64解密报错问题

    2024-04-23 08:58:01       32 阅读

  29. uniapp读取(获取)缓存中的对象值（微信小程序）

    2024-04-23 08:58:01       28 阅读