K-Fold 交叉验证
- 1、引言
- 1.1 K 折交叉验证概述
- 2、配置
- 2.1 数据集
- 2.2 安装包
- 3、 实战
- 3.1 生成物体检测数据集的特征向量
- 3.2 K 折数据集拆分
- 3.3 保存记录
- 3.4 使用 K 折数据分割训练YOLO
- 4、总结
1、引言
我们将利用YOLO 检测格式和关键的Python 库（如 sklearn、pandas 和 PyYaml），完成必要的设置、生成特征向量的过程以及 K-Fold 数据集拆分的执行。
1.1 K 折交叉验证概述
无论你的项目涉及水果检测数据集还是自定义数据源，都可以使用 K 折交叉验证，
以提高项目的可靠性和稳健性。
书说简短，闲言少叙，咱进入正题
2、配置
2.1 数据集
该数据集共包含 8479 幅图像。
它包括 6 个类别标签，每个标签的实例总数如下：
| 类别 | 计数 |
|---|---|
| 苹果 | 7049 |
| 葡萄 | 7202 |
| 菠萝 | 1613 |
| 橙色 | 15549 |
| 香蕉 | 3536 |
| 西瓜 | 1976 |
2.2 安装包
必要的Python 软件包包括
- ultralytics
- sklearn
- pandas
- pyyaml
这次实例中，我们使用 k=5 折叠次数。
3、 实战
3.1 生成物体检测数据集的特征向量
具体步骤如下：
-
1、首先创建一个新的 demo.py Python 文件来执行下面的步骤。
-
2、继续检索数据集的所有标签文件。
from pathlib import Path
dataset_path = Path("./Fruit-detection") # replace with 'path/to/dataset' for your custom data
labels = sorted(dataset_path.rglob("*labels/*.txt")) # all data in 'labels'
- 3、现在，读取数据集 YAML 文件的内容并提取类标签的索引。
yaml_file = "path/to/data.yaml" # your data YAML with data directories and names dictionary
with open(yaml_file, "r", encoding="utf8") as y:
classes = yaml.safe_load(y)["names"]
cls_idx = sorted(classes.keys())
- 4、初始化一个空的 pandas DataFrame.
import pandas as pd
index = [label.stem for label in labels] # uses base filename as ID (no extension)
labels_df = pd.DataFrame([], columns=cls_idx, index=index)
- 5、计算注释文件中每个类别标签的实例数。
from collections import Counter
for label in labels:
lbl_counter = Counter()
with open(label, "r") as lf:
lines = lf.readlines()
for line in lines:
# classes for YOLO label uses integer at first position of each line
lbl_counter[int(line.split(" ")[0])] += 1
labels_df.loc[label.stem] = lbl_counter
labels_df = labels_df.fillna(0.0) # replace `nan` values with `0.0`
- 6、以下是已填充 DataFrame 的示例视图：
0 1 2 3 4 5
'0000a16e4b057580_jpg.rf.00ab48988370f64f5ca8ea4...' 0.0 0.0 0.0 0.0 0.0 7.0
'0000a16e4b057580_jpg.rf.7e6dce029fb67f01eb19aa7...' 0.0 0.0 0.0 0.0 0.0 7.0
'0000a16e4b057580_jpg.rf.bc4d31cdcbe229dd022957a...' 0.0 0.0 0.0 0.0 0.0 7.0
'00020ebf74c4881c_jpg.rf.508192a0a97aa6c4a3b6882...' 0.0 0.0 0.0 1.0 0.0 0.0
'00020ebf74c4881c_jpg.rf.5af192a2254c8ecc4188a25...' 0.0 0.0 0.0 1.0 0.0 0.0
... ... ... ... ... ... ...
'ff4cd45896de38be_jpg.rf.c4b5e967ca10c7ced3b9e97...' 0.0 0.0 0.0 0.0 0.0 2.0
'ff4cd45896de38be_jpg.rf.ea4c1d37d2884b3e3cbce08...' 0.0 0.0 0.0 0.0 0.0 2.0
'ff5fd9c3c624b7dc_jpg.rf.bb519feaa36fc4bf630a033...' 1.0 0.0 0.0 0.0 0.0 0.0
'ff5fd9c3c624b7dc_jpg.rf.f0751c9c3aa4519ea3c9d6a...' 1.0 0.0 0.0 0.0 0.0 0.0
'fffe28b31f2a70d4_jpg.rf.7ea16bd637ba0711c53b540...' 0.0 6.0 0.0 0.0 0.0 0.0
解析：
- 行是标签文件的索引，每个标签文件对应数据集中的一幅图像，列则对应类标签索引。
- 每一行代表一个伪特征向量，其中包含数据集中每个类标签的计数。
- 这种数据结构可以将 K 折交叉验证应用于对象检测数据集。
3.2 K 折数据集拆分
-
1、使用 KFold 从 sklearn.model_selection 以产生 k 对数据集进行分割。
- 敲黑板：
- 设置 shuffle=True 确保了分班中班级的随机分布。
- 通过设置 random_state=M 其中 M 是一个选定的整数，这样就可以得到可重复的结果。
- 敲黑板：
from sklearn.model_selection import KFold
ksplit = 5
kf = KFold(n_splits=ksplit, shuffle=True, random_state=20) # setting random_state for repeatable results
kfolds = list(kf.split(labels_df))
- 2、数据集现已分为 k 折叠，每个折叠都有一个 train 和 val 指数。我们将构建一个 DataFrame 来更清晰地显示这些结果。
folds = [f"split_{n}" for n in range(1, ksplit + 1)]
folds_df = pd.DataFrame(index=index, columns=folds)
for i, (train, val) in enumerate(kfolds, start=1):
folds_df[f"split_{i}"].loc[labels_df.iloc[train].index] = "train"
folds_df[f"split_{i}"].loc[labels_df.iloc[val].index] = "val"
- 3、将计算每个褶皱的类别标签分布，并将其作为褶皱中出现的类别的比率。
fold_lbl_distrb = pd.DataFrame(index=folds, columns=cls_idx)
for n, (train_indices, val_indices) in enumerate(kfolds, start=1):
train_totals = labels_df.iloc[train_indices].sum()
val_totals = labels_df.iloc[val_indices].sum()
# To avoid division by zero, we add a small value (1E-7) to the denominator
ratio = val_totals / (train_totals + 1e-7)
fold_lbl_distrb.loc[f"split_{n}"] = ratio
最理想的情况是，每次分割和不同类别的所有类别比率都相当相似。不过，这取决于数据集的具体情况。
- 4、为每个分割创建目录和数据集 YAML 文件。
import datetime
supported_extensions = [".jpg", ".jpeg", ".png"]
# Initialize an empty list to store image file paths
images = []
# Loop through supported extensions and gather image files
for ext in supported_extensions:
images.extend(sorted((dataset_path / "images").rglob(f"*{ext}")))
# Create the necessary directories and dataset YAML files (unchanged)
save_path = Path(dataset_path / f"{datetime.date.today().isoformat()}_{ksplit}-Fold_Cross-val")
save_path.mkdir(parents=True, exist_ok=True)
ds_yamls = []
for split in folds_df.columns:
# Create directories
split_dir = save_path / split
split_dir.mkdir(parents=True, exist_ok=True)
(split_dir / "train" / "images").mkdir(parents=True, exist_ok=True)
(split_dir / "train" / "labels").mkdir(parents=True, exist_ok=True)
(split_dir / "val" / "images").mkdir(parents=True, exist_ok=True)
(split_dir / "val" / "labels").mkdir(parents=True, exist_ok=True)
# Create dataset YAML files
dataset_yaml = split_dir / f"{split}_dataset.yaml"
ds_yamls.append(dataset_yaml)
with open(dataset_yaml, "w") as ds_y:
yaml.safe_dump(
{
"path": split_dir.as_posix(),
"train": "train",
"val": "val",
"names": classes,
},
ds_y,
)
- 5、最后，将图像和标签复制到每个分割的相应目录（"train "或 “val”）中。
import shutil
for image, label in zip(images, labels):
for split, k_split in folds_df.loc[image.stem].items():
# Destination directory
img_to_path = save_path / split / k_split / "images"
lbl_to_path = save_path / split / k_split / "labels"
# Copy image and label files to new directory (SamefileError if file already exists)
shutil.copy(image, img_to_path / image.name)
shutil.copy(label, lbl_to_path / label.name)
3.3 保存记录
将 K 折分割和标签分布数据框的记录保存为 CSV 文件。
folds_df.to_csv(save_path / "kfold_datasplit.csv")
fold_lbl_distrb.to_csv(save_path / "kfold_label_distribution.csv")
3.4 使用 K 折数据分割训练YOLO
- 首先，加载YOLO 模型。
from ultralytics import YOLO
weights_path = "path/to/weights.pt"
model = YOLO(weights_path, task="detect")
- 其次，遍历数据集 YAML 文件以运行训练。结果将保存到由 project 和 name 参数。默认情况下，该目录为 “exp/runs#”，其中 # 为整数索引。
results = {}
# Define your additional arguments here
batch = 16
project = "kfold_demo"
epochs = 100
for k in range(ksplit):
dataset_yaml = ds_yamls[k]
model = YOLO(weights_path, task="detect")
model.train(data=dataset_yaml, epochs=epochs, batch=batch, project=project) # include any train arguments
results[k] = model.metrics # save output metrics for further analysis
4、总结
这篇小鱼使用了 K 折交叉验证来训练YOLO 物体检测模型的过程。
还创建报告 DataFrames 的程序，以可视化数据拆分和标签在这些拆分中的分布，清楚地了解训练集和验证集的结构。
此外，还保存了记录，这在大型项目或排除模型性能故障时尤为有用。
最后，在一个循环中使用每个拆分来执行实际的模型训练，保存训练结果，以便进一步分析和比较。
这种 K 折交叉验证技术是充分利用可用数据的一种稳健方法，有助于确保模型在不同数据子集中的性能是可靠和一致的。这将产生一个更具通用性和可靠性的模型，从而减少对特定数据模式的过度拟合。
我是小鱼：
- CSDN 博客专家；
- 阿里云 专家博主；
- 51CTO博客专家；
- 企业认证金牌面试官；
- 多个名企认证&特邀讲师等；
- 名企签约职场面试培训、职场规划师；
- 多个国内主流技术社区的认证专家博主；
- 多款主流产品(阿里云等)评测一等奖获得者；
关注小鱼，学习【人工智能&大模型】/【深度学习&机器学习】领域最新最全的知识。
![[含文档+PPT+源码等]精品大数据项目-Django基于大数据实现的心血管疾病分析系统](https://img-blog.csdnimg.cn/img_convert/9da7a166dd8cf74eb62d16f50d44c914.png)
