ObjectDetection

自定义类别目标检测通用步骤，Pytorch实现。

文件目录：

数据准备

• 首先从网络或自建数据集获取符合需求的目标检测任务的数据；
• 采用流行的标注软件进行标注得到标注文件，此例程采用Labelme软件标注，标注参考数据；

To实习生：
    数据说明：作为例程，数据用于跑通代码进行测试，请在实现过程中采用自己标注的数据进行训练，用此244张图像作为验证评估数据。

标注示例图：

• 得到标注数据目录格式：

|-------------------------------|
|-class  |-annotations |-1.json | 
|        |             |-2.json |
|        |             |-3.json |
|        |----------------------|
|        |-images      |-1.jpg  | 
|        |             |-2.jpg  |
|        |             |-3.jpg  |
|-------------------------------|

数据格式转换

1_transformat.py实现格式转换功能；

目前有三种主流格式：

• coco格式标注
• Yolo格式的标注
• 标注软件原生标注

各个标注格式的文件一般可以相互转换；

数据集划分

• 生成文件名列表 2_file_list.py
• 根据文件名列表划分数据集 3_split_data.py

训练验证

4_train.py

配置文件：bowl.yaml

# Bowl
path: ./data/ # dataset root dir
train: /data/bowl/train.txt  # train images
val: /data/bowl/val.txt # val images

# Classes
names:
  0: Bowl

预训练模型：pretrained_model

采用Yolov8实现，Yolov8详细使用方式和参数设置参考Yolov8官方教程

yolo运行起来检查是否读取到标签，若不成功检查格式转换的label目录和配置文件是否错误；

查看训练过程：

终端切换到当前目录：tensorboard --logdir=runs/detection/train* # *代表当前训练
查看链接：http://localhost:6006/

测试

5_predict.py

用训练好的模型测试相应图像进行性能评估，测试图像