简介

• 今年7月份YOLOv7发布，其识别速度和准确度在5 FPS 到 160 FPS范围内远超目前已知的目标检测器
• FLIR在2022.1.19发布了新版的FLIR_ADAS_v2，相较于上一代的FLIR_1_3，新版有着更多的类别和数量更丰富的图像。
• 现有的博客中关于新版FLIR的使用教学少只有少，加上暑假期间曾使用FLIR_ADAS_v2来训练模型以提高其对红外热图像的识别能力，便决定记录分享一下。
• 本文章主要介绍如何使用FLIR_ADAS_v2中的thermal image来训练基于pytorch的YOLOv7模型
• 若有不足，也欢迎大家指正批评

FLIR_ADAS_v2数据集下载

• 官方下载链接​​​​​
•  如果官方下载失败可以使用笔者上传的百度云

  • 链接: https://pan.baidu.com/s/1ooLmEm39Y_LSinU860Zj1w?pwd=3cp3 提取码: 3cp3 复制这段内容后打开百度网盘手机App，操作更方便哦

YOLOv7模型下载

• 在此使用的YOLOv7模型链接

数据集的预处理

将单个json文件转换为多个xml文件

• 如何将单个annotation json文件转换为多个xml文件，可以参考这篇博客将json文件转换为多个xml文件https://blog.csdn.net/Jiuyee/article/details/127332489

 将多个xml文件转换为YOLO所需的txt文件并分类

• 如何将多个annotation xml文件转换为YOLO所需的txt文件，并依据train和val进行分类，可以参考这篇博客将多个annotation xml文件转换为多个annotation txt文件https://blog.csdn.net/Jiuyee/article/details/127334453

设置YOLOv7

数据集导入YOLOv7

• 在YOLOv7项目文件夹中新建文件夹并命名（笔者以data4为例）

•  将预处理完后的images文件夹和labels文件夹复制到新建文件夹下

获得list文件 

• 相较于YOLOv5，YOLOv7需要在数据集中提供单独的train_list.txt文件和val_list.txt文件，以提供图片的路径
• 内容如所示

•  大家可写一个小代码，使用os库从文件夹中读取图片名称并写入到txt文件中
• 在这里提供笔者所写的

  import os
  
  train_path = r"data4/images/train/"
  val_path = r"data4/images/val/"
  
  out = r"data4/"
  
  train = os.listdir(train_path)
  val = os.listdir(val_path)
  
  for i in train:
      with open(out+'train_list.txt', 'a+') as f:
          f.write("data4/images/train/"+ i + '\n')
  
  for i in val:
      with open(out+'val_list.txt', 'a+') as f:
          f.write("data4/images/val/"+ i + '\n')

• 将txt文件放到新建文件夹下

• 注：cache文件为训练时生成，图中所示不用理会 

设置类文件

• 在data文件夹下复制coco.yaml，并命名为flir.yaml

•  将train、val的路径设置为对应txt文件的路径

• 根据自己需求修改类的数量和名称

更改train.py参数

•  更改yaml路径，将其设置为创建的flir.yaml文件位置

• 根据自己需求和电脑性能设置epochs、workers、cuda、batch_size等参数

开始训练

运行train.py

 结果分析

• 开始训练后，在runs->train->exp文件夹中可查看各种训练结果

使用训练好的权重进行图像识别

• 打开detect.py

• 将需要进行图像识别的图像放入inference->images中

• 在runs->train->exp->weights中选择权重并设置路径

•  运行detect.py

识别结果

总结

• 相较于Faster RCNN、Efficientdet、YOLOv5等模型，YOLOv7展现出了强大的识别精确度和识别速度，并且有着较短的训练时间和更低的loss
• 只能说AB大佬NB！

相关推荐

使用新版FLIR (FLIR_ADAS_v2) 训练Faster RCNN模型https://blog.csdn.net/Jiuyee/article/details/127316297