基于YOLO和PSPNet的目标检测与语义分割系统

源代码地址

概述

这是我的本科毕业设计

它的主要功能是通过YOLOv5进行目标检测,并使用PSPNet进行语义分割。

本项目YOLOv5部分代码基于 ultralytics YOLO V5 tag v5.0

相应地,我也使用了ultralytics/YOLOv5的预训练模型。

我通常使用两个最简单的预训练模型--yolov5s.pt和yolov5s.pt。你可以在./weights中直接看到它们。

在语义分割部分,我使用了PSPNet(全称为 Pyramid Scene Parsing Network

,即金字塔场景解析网络,此网络模型于2017年在CVPR上提出。

在我看来,这是性能和简洁性之间平衡得最好的网络之一。

事实上,在我拿到YOLOv5源代码后,我只花了一点时间就完成主要部分,而我花了大部分剩余时间将此模块与YOLO结合使用。

演示

典型的一组处理结果

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-atTo2il0-1651741499083)(demo_image/38.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-U61zCEGy-1651741499086)(demo_image/39.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-n9SRgvFZ-1651741499087)(demo_image/40.png)]

文件和文件夹

./weights

该文件夹包含四个训练前文件。yolov5s.pt和yolov5m.pt是目标检测模型、pspv5s.pt和pspv5m.pt是语义分割模型。它们都有很好的性能,但由于我的显卡性能不足,分割模型仍然有一些缺点。

需要指出的是,“xx5m.pt”的性能要好于“xx5s.pt”,因为它的网络更加复杂。

./runs

此文件夹包含检测、测试或训练项目的结果。

./demo_image

此文件夹包含一些演示图像。

./data

此文件夹包含所有数据集。 我主要通过CityScapes数据集训练我的分割模型,并在目标检测部分采用了预训练模型。

当然,如果您想继续训练YOLOv5模型,您将使用Microsoft Coco数据集。

./models

这个文件夹对我来说是最重要的。

在Common.py中,我主要添加了三个模块,RFB2和FFM起辅助作用,金字塔池模块起到分割作用,这部分代码都是仿照 PSPNet 论文模型编写的。

当然,有很多模块来自于ultralytics/YOLOv5,我删除了所有未使用的模块。

在yolo.py中,我添加了一个名为SegMaskPSP的类,它集成了Common.py中提到的三个模块,当训练模型时,parse_model函数将调用它。

train.py

该python文件与ultralytics/YOLOv5中的train.py文件大致相同。当我研究YOLO算法的时候,我对其做了一些更改。

它看起来有很大变化,但主体结构没有改变。

您可以使用cmd代码

python Train.py--data ciyscapes_de.yaml--cfg yolov5s_City_Seg.yaml--批量大小18--纪元200--权重。/yolov5s.pt--工人8--标签平滑0.1--img-大小832--非自动锚定



训练你自己的模型

当然,如果显卡的性能不是很高,您可以尝试降低workers运算单元的数量和batch-size的大小。

当然,我建议你直接使用我的预训练模型,或者如果你不缺钱的话,可以去找一些云GPU平台(事实上,我已经去过一个叫AutoDL的网站很多次了)。

test.py

通过一些著名的指标,如准确率、召回率、F1等来测试您的模型的性能。

您可以使用cmd代码。

python test.py--data data/Cityscapes_Det.yaml--Segdata./data/citys--Weights/pspv5m.pt--img-size1024--base-size1024

来测试你的模型。

detect.py

如果你只想直接使用我的项目,这个文件对你来说可能是最重要的。

在文件中,您可以选择三种模式:①图像检测、②视频检测 和 ③摄像头实时检测。

predict.py

该python文件将调用detect.py进行检测

其他文件夹或文件来自ultralytics/YOLOv5,基本上无关紧要。

requirements.txt

您可以使用pip install -r requirements s.txt安装所有需要的包。

如果你使用的是Windows系统,你应该把txt文件中的‘pycotools’替换为‘pycoTools-windows’。

当然,我猜您在安装它们时会遇到一些错误。我建议您使用Conda来创建一个新的Python虚拟环境。安装Anaconda后,您可以启动“Anaconda PowerShell Prompt”。

创建虚拟环境的代码是conda create-n you_env_name python=x.x .

您也可以使用conda install-n you_env_name package_name来安装其他包。

基于YOLO和PSPNet的目标检测与语义分割系统(python)的更多相关文章

  1. YOLT:将YOLO用于卫星图像目标检测

    之前作者用滑动窗口和HOG来进行船体监测,在开放水域和港湾取得了不错的成绩,但是对于不一致的复杂背景,这个方法的性能会下降.为了解决这个缺点,作者使用YOLO作为物体检测的流水线,这个方法相比于HOG ...

  2. 基于COCO数据集验证的目标检测算法天梯排行榜

    基于COCO数据集验证的目标检测算法天梯排行榜 AP50 Rank Model box AP AP50 Paper Code Result Year Tags 1 SwinV2-G (HTC++) 6 ...

  3. 基于模糊Choquet积分的目标检测算法

    本文根据论文:Fuzzy Integral for Moving Object Detection-FUZZ-IEEE_2008的内容及自己的理解而成,如果想了解更多细节,请参考原文.在背景建模中,我 ...

  4. PyTorch专栏(八):微调基于torchvision 0.3的目标检测模型

    专栏目录: 第一章:PyTorch之简介与下载 PyTorch简介 PyTorch环境搭建 第二章:PyTorch之60分钟入门 PyTorch入门 PyTorch自动微分 PyTorch神经网络 P ...

  5. CVPR目标检测与实例分割算法解析:FCOS(2019),Mask R-CNN(2019),PolarMask(2020)

    CVPR目标检测与实例分割算法解析:FCOS(2019),Mask R-CNN(2019),PolarMask(2020)1. 目标检测:FCOS(CVPR 2019)目标检测算法FCOS(FCOS: ...

  6. 多加速器驱动AGX的目标检测与车道分割

    多加速器驱动AGX的目标检测与车道分割 Object Detection and Lane Segmentation Using Multiple Accelerators with DRIVE AG ...

  7. 使用Keras基于RCNN类模型的卫星/遥感地图图像语义分割

    遥感数据集 1. UC Merced Land-Use Data Set 图像像素大小为256*256,总包含21类场景图像,每一类有100张,共2100张. http://weegee.vision ...

  8. 10分钟学会使用YOLO及Opencv实现目标检测(下)|附源码

    将YOLO应用于视频流对象检测 首先打开 yolo_video.py文件并插入以下代码: # import the necessary packages import numpy as np impo ...

  9. 基于Intel OpenVINO的搭建及应用,包含分类,目标检测,及分割,超分辨

    PART I: 搭建环境OPENVINO+Tensorflow1.12.0 I: l_openvino_toolkit_p_2019.1.094 第一步常规安装参考链接:https://docs.op ...

随机推荐

  1. Apache DolphinScheduler 1.3.9 发布,新增 StandaloneServer

    点击上方 蓝字关注我们 2021 年 10 月 22 日,Apache DolphinScheduler 正式发布 1.3.9 版本.时隔一个半月,在社区贡献者的共同努力下,Apache Dolphi ...

  2. Linux 安装 Tomcat 详细教程

    Linux 安装Tomcat详细步骤 1. 前往tomcat官网复制下载链接, tomcat官网地址:https://tomcat.apache.org/ 2. 进入到指定目录,使用 wget 命令下 ...

  3. LOJ6671 EntropyIncreaser 与 Minecraft (生成函数)

    题面 EntropyIncreaser 是组合计数大师. EntropyIncreaser 很喜欢玩麦块.当然,EntropyIncreaser 拥有非同常人的超能力,他玩的是MOD版的 n 维麦块, ...

  4. 【mido】python的midi处理库

    安装mido库:pip install mido pipy地址:https://pypi.org/project/mido/ mido官方文档:https://mido.readthedocs.io/ ...

  5. .Net Core&RabbitMQ死信队列

    过期时间 RabbitMQ可以为消息和队列设置过期时间Time To Live(TTL).其目的即过期. 消息过期时间 消息存储在队列中时,如果想为其设置一个有限的生命周期,而不是一直存储着,可以为其 ...

  6. 在Boss直聘上投简历时,怎样保证有新消息时能及时收到

    最近在Boss直聘上投简历,偶尔会有HR给我发消息,不想在电脑上错过这些消息,但我又不能时时刻刻盯着这个页,怎么办呢? 这时,我想起来,之前做过的Chrome插件,如果检测到Boss直聘上新消息数大于 ...

  7. KingbaseES R6 集群手工配置VIP案例

    经常有用户问,V8R6集群搭建时没有配置VIP,搭建完成后,如何添加VIP?以下向大家介绍下手动添加VIP 的过程. 一.操作系统环境 操作系统(UOS): root@uos01:~# cat /et ...

  8. 记录一下~~~Linux配置定时任务备份数据库dmp文件

    1.创建备份目录: mkdir -p /dcits/sx_xmz/sx_data_bak chown -R oracle18c:oinstall /dcits/sx_xmz/sx_data_bak 2 ...

  9. 强扩展、强一致、高可用…GaussDB成为游戏行业的心头爱

    摘要:看GaussDB for Redis强扩展.高可用.强一致.高安全,如何玩转各大游戏场景 本文分享自华为云社区<GaussDB为什么成为游戏行业的心头爱?>,作者: GaussDB ...

  10. DFS算法-求集合的所有子集

    目录 1. 题目来源 2. 普通方法 1. 思路 2. 代码 3. 运行结果 3. DFS算法 1. 概念 2. 解题思路 3. 代码 4. 运行结果 4. 对比 1. 题目来源 牛客网,集合的所有子 ...