天天操天天摸天天撸,一级黄色免费在线播放,亚洲热在线视频,自拍偷拍视频网页,亚洲三级免费,欧美熟妇另类久久久久久不卡,大鸡吧AV,成人网AV

點擊上方“AI算法與圖像處理”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

來源：AI深度學習視線

準備數(shù)據(jù)集
環(huán)境配置
配置文件修改
訓練
推理
轉(zhuǎn)Tensorrt

準備數(shù)據(jù)集

1.1 BDD數(shù)據(jù)集

BDD100K是最大的開放式駕駛視頻數(shù)據(jù)集之一，其中包含10萬個視頻和10個任務(wù)，目的是方便評估自動駕駛圖像識別算法的的進展。每個高分辨率視頻一共40秒。該數(shù)據(jù)集包括超過1000個小時的駕駛數(shù)據(jù)，總共超過1億幀。這些視頻帶有GPU / IMU數(shù)據(jù)以獲取軌跡信息。該數(shù)據(jù)集具有地理，環(huán)境和天氣多樣性，從而能讓模型能夠識別多種場景，具備更多的泛化能力。這些豐富的戶外場景和復雜的車輛運動使感知任務(wù)更具挑戰(zhàn)性。該數(shù)據(jù)集上的任務(wù)包括圖像標記，車道檢測，可駕駛區(qū)域分割，道路對象檢測，語義分割，實例分割，多對象檢測跟蹤，多對象分割跟蹤，領(lǐng)域自適應和模仿學習。我們可以在BDD100K數(shù)據(jù)網(wǎng)站上下載數(shù)據(jù)。

Bdd100k的標簽是由Scalabel生成的JSON格式。
- labels [ ]:    - id: int32    - category: string (classification)    - manualShape: boolean (whether the shape of the label is created or modified manually)    - manualAttributes: boolean (whether the attribute of the label is created or modified manually)    - score: float (the confidence or some other ways of measuring the quality of the label.)    - attributes:        - occluded: boolean        - truncated: boolean        - trafficLightColor: "red|green|yellow|none"        - areaType: "direct | alternative" (for driving area)        - laneDirection: "parallel|vertical" (for lanes)        - laneStyle: "solid | dashed" (for lanes)        - laneTypes: (for lanes)    - box2d:       - x1: float       - y1: float       - x2: float       - y2: float

道路對象類別包括以下幾類：

[    "bike",    "bus",    "car",    "motor",    "person",    "rider",    "traffic light",    "traffic sign",    "train",    "truck"]

1.2 YOLO數(shù)據(jù)格式

每個圖片文件.jpg，都有同一命名的標簽文件.txt。

標簽文件中每個對象獨占一行，格式為。

其中：

-表示對象的類別序號：從0 到 (classes-1)
-參照圖片寬度和高度的相對比例(浮點數(shù)值)，從0.0到1.0
例如： = / 或 = /
注意：是矩形的中心，而不是左上角位置。

如下圖所示：

YOLO V5的標簽文件和圖像文件應位于同一目錄下。

1.3 BDD數(shù)據(jù)轉(zhuǎn)YOLO格式

Berkerley 提供了Bdd100k數(shù)據(jù)集的標簽查看及標簽格式轉(zhuǎn)化工具。由于沒有直接從bdd100k轉(zhuǎn)換成YOLO的工具，因此我們首先得使用將bdd100k的標簽轉(zhuǎn)換為coco格式，然后再將coco格式轉(zhuǎn)換為yolo格式。

bdd to coco

我的目的是識別包括不同顏色交通燈在內(nèi)的所有交通對象，因此我們需要對原版的bdd2coco.py進行一些修改，以獲取交通燈顏色并產(chǎn)生新的類別。

這是修改完的核心代碼：

for label in i['labels']:            annotation = dict()            category=label['category']            if (category == "traffic light"):                color = label['attributes']['trafficLightColor']                category = "tl_" + color            if category in id_dict.keys():                empty_image = False                annotation["iscrowd"] = 0                annotation["image_id"] = image['id']                x1 = label['box2d']['x1']                y1 = label['box2d']['y1']                x2 = label['box2d']['x2']                y2 = label['box2d']['y2']                annotation['bbox'] = [x1, y1, x2-x1, y2-y1]                annotation['area'] = float((x2 - x1) * (y2 - y1))                annotation['category_id'] = id_dict[category]                annotation['ignore'] = 0                annotation['id'] = label['id']                annotation['segmentation'] = [[x1, y1, x1, y2, x2, y2, x2, y1]]                annotations.append(annotation)

在完成bdd100k格式到y(tǒng)olo格式的轉(zhuǎn)換后，會獲得bdd100k_labels_images_det_coco_train.json和bdd100k_labels_images_det_coco_val.json兩個文件。

Coco to yolo

在完成先前的轉(zhuǎn)換之后，我們需要將訓練集和驗證集的coco格式標簽轉(zhuǎn)換為yolo格式。注意需要分別指定訓練集和驗證集圖片位置，對應的coco標簽文件位置，及生成yolo標簽的目標位置。

config_train ={        "datasets": "COCO",        "img_path": "bdd100k_images/bdd100k/images/100k/train",        "label": "labels/bdd100k_labels_images_det_coco_train.json",        "img_type": ".jpg",        "manipast_path": "./",        "output_path": "labels/trains/",        "cls_list": "bdd100k.names",    }    config_valid ={        "datasets": "COCO",        "img_path": "bdd100k_images/bdd100k/images/100k/val",        "label": "labels/bdd100k_labels_images_det_coco_val.json",        "img_type": ".jpg",        "manipast_path": "./",        "output_path": "labels/valids/",        "cls_list": "bdd100k.names",    }

除此之外，我們還得將所有的類別寫入bdd100k.names文件。

personridercarbustruckbikemotortl_greentl_redtl_yellowtl_nonetraffic signtraintl_green

運行Bdd_preprocessing中的完整代碼可以完成Bdd100k格式標簽到Y(jié)OLO標簽格式的轉(zhuǎn)換。

Bdd2coco以及coco2yolo的詳細說明可以參看bdd100k代碼庫和convert2Yolo代碼庫。

環(huán)境配置

2.1 官方代碼

https://github.com/ultralytics/yolov5/tree/v3.0

由于后面轉(zhuǎn)tensorrt版本支持yolov5到3.0版本，所以以3.0版本進行實驗。

環(huán)境配置可通過下面命令進行一鍵配置。


# pip install -r requirements.txt
# base ----------------------------------------Cythonmatplotlib>=3.2.2numpy>=1.18.5opencv-python>=4.1.2pillowPyYAML>=5.3scipy>=1.4.1tensorboard>=2.2torch>=1.6.0torchvision>=0.7.0tqdm>=4.41.0
# coco ----------------------------------------# pycocotools>=2.0
# export --------------------------------------# packaging  # for coremltools# coremltools==4.0b4# onnx>=1.7.0# scikit-learn==0.19.2  # for coreml quantization
# extras --------------------------------------# thop  # FLOPS computation# seaborn  # plotting

=3.2.2\nnumpy>=1.18.5\nopencv-python>=4.1.2\npillow\nPyYAML>=5.3\nscipy>=1.4.1\ntensorboard>=2.2\ntorch>=1.6.0\ntorchvision>=0.7.0\ntqdm>=4.41.0\n\n# coco ----------------------------------------\n# pycocotools>=2.0\n\n# export --------------------------------------\n# packaging # for coremltools\n# coremltools==4.0b4\n# onnx>=1.7.0\n# scikit-learn==0.19.2 # for coreml quantization\n\n# extras --------------------------------------\n# thop # FLOPS computation\n# seaborn # plotting","classes":[]}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">

配置文件修改

3.1 修改 ./data/coco.yaml

修改./data/coco.yaml--》存為bdd.yaml

修改內(nèi)容：

（1）train/val/test 路徑

其中的txt內(nèi)容均為各集合圖像實際絕對路徑。

（2）nc：number class 類別數(shù)量，BDD數(shù)據(jù)類別為10

（3）names：前面bdd數(shù)據(jù)集介紹時候已經(jīng)列出

3.2 修改 ./model/yolov5.yaml

修改：nc為BDD數(shù)據(jù)類別數(shù)：10

3.3 修改./train.py

修改：

（1）--weights，這里s/m/l/x四個型號可以選擇

（2）--cfg，這里s/m/l/x四個型號可以選擇

（3）--data，選擇根據(jù)coco.yaml修改后的bdd.yaml

（4）--batch-size 和 --img-size 可以再這里修改也可以默認不動，再訓練命令行里設(shè)定

訓練

預訓練模型

python?train.py?--img?640?--batch?32?--epochs?300?--data?'./data/bdd.yaml'?--cfg?./models/custom_yolov5x.yaml?--weights?"./weights/yolov5x.pt"?--name?yolov5x_bdd_prew??--cache

從頭訓練

python?train.py?--img?640?--batch?32?--epochs?300?--data?'./data/bdd.yaml'?--cfg?./models/custom_yolov5x.yaml?--weights?""?--name?yolov5x_bdd??--cache

train_loss:

val_loss:

推斷

可選參數(shù)：

— weights: 訓練權(quán)重的路徑
— source：推理目標的路徑，可以是圖片，視頻，網(wǎng)絡(luò)攝像頭等
— source：推理結(jié)果的輸出路徑
— img-size：推理圖片的大小
— conf-thres：對象置信閾值，默認0.4
— iou-thres：NMS的IOU閾值，可以根據(jù)實際對象的重疊度調(diào)節(jié)，默認0.5
— device: 選擇使用CUDA或者CPU
— view-img：顯示所有推理結(jié)果
— save-txt：將每一幀的推理結(jié)果及邊界框的位置，存入*.txt文件
— classes：類別過濾，意思是只推理目標類別
— agnostic-nms：使用agnostic-nms NMS

python detect.py --source 0  # webcam                            file.jpg  # image                            file.mp4  # video                            path/  # directory                            path/*.jpg  # glob                            rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa  # rtsp stream                            rtmp://192.168.1.105/live/test  # rtmp stream????????????????????????????http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8??#?http?stream

轉(zhuǎn)Tensorrt

6.1 工程配置

https://github.com/wang-xinyu/tensorrtx/tree/master/yolov5,

該項目提供了一大批常見模型的轉(zhuǎn)Tensorrt方法。

環(huán)境要求：

GTX1080 / Ubuntu16.04 / cuda10.0 / cudnn7.6.5 / tensorrt7.0.0 / nvinfer7.0.0 / opencv3.3

高版本tensorrt7的變化如下：

6.2 生成轉(zhuǎn)tensorrt的中間文件 yolov5.wts

拷貝 ./tensorrt/yolov5/gen_wts.py文件到./yolov5 工程下，修改其中加載模型路徑，執(zhí)行該python文件，得到y(tǒng)olov5.wts，并將其拷貝回 ./tensorrt/yolov5/下。

1. generate yolov5s.wts from pytorch with yolov5s.pt
git clone https://github.com/wang-xinyu/tensorrtx.gitgit clone https://github.com/ultralytics/yolov5.git// download its weights 'yolov5s.pt'// copy tensorrtx/yolov5/gen_wts.py into ultralytics/yolov5// ensure the file name is yolov5s.pt and yolov5s.wts in gen_wts.py// go to ultralytics/yolov5python gen_wts.py// a file 'yolov5s.wts' will be generated.

6.3 編譯yolov5并生成tensorrt模型yolov5.engine

編譯之前需要修改：

（1）選模型

（2）CMakeLists.txt

如果tensorrt是通過tar包解壓安裝的，還需要在CMakeList.txt中對tensorrt路徑進行指定，不然會報錯找不到nvinfer

（3）另外，如果系統(tǒng)是Ubuntu18.04的話還會存在opencv的問題，找不到libpng12.so和libjasper.so.

這個問題可通過https://blog.csdn.net/baobei0112/article/details/108991915 該博客內(nèi)容找到答案。

（4）./tensorrt/yolov5/下新建個samples文件夾，把需要測試的圖片放進去。

做好準備工作，下面就可以進行YOLOV5的engine編譯工作。

build tensorrtx/yolov5 and run
// put yolov5s.wts into tensorrtx/yolov5// go to tensorrtx/yolov5// ensure the macro NET in yolov5.cpp is smkdir buildcd buildcmake ..makesudo ./yolov5 -s             // serialize model to plan file i.e. 'yolov5s.engine'sudo?./yolov5?-d??../samples?//?deserialize?plan?file?and?run?inference,?the?images?in?samples?will?be?processed.

6.4 Tensorrt各yolo模型對比

下載1：OpenCV黑魔法

在「AI算法與圖像處理」公眾號后臺回復：OpenCV黑魔法，即可下載小編精心編寫整理的計算機視覺趣味實戰(zhàn)教程

下載2 CVPR2020

在「AI算法與圖像處理」公眾號后臺回復：CVPR2020，即可下載1467篇CVPR?2020論文

個人微信（如果沒有備注不拉群！）
請注明：地區(qū)+學校/企業(yè)+研究方向+昵稱

覺得有趣就點亮在看吧

干貨 | YOLOV5 訓練自動駕駛數(shù)據(jù)集，并轉(zhuǎn)Tensorrt，收藏！

Berkerley 提供了Bdd100k數(shù)據(jù)集的標簽查看及標簽格式轉(zhuǎn)化工具。由于沒有直接從bdd100k轉(zhuǎn)換成YOLO的工具，因此我們首先得使用將bdd100k的標簽轉(zhuǎn)換為coco格式，然后再將coco格式轉(zhuǎn)換為yolo格式。

配置文件修改

訓練

推斷

轉(zhuǎn)Tensorrt

https://github.com/wang-xinyu/tensorrtx/tree/master/yolov5,

干貨 | YOLOV5 訓練自動駕駛數(shù)據(jù)集，并轉(zhuǎn)Tensorrt，收藏！

Berkerley 提供了Bdd100k數(shù)據(jù)集的標簽查看及標簽格式轉(zhuǎn)化工具。由于沒有直接從bdd100k轉(zhuǎn)換成YOLO的工具，因此我們首先得使用將bdd100k的標簽轉(zhuǎn)換為coco格式，然后再將coco格式轉(zhuǎn)換為yolo格式。