yolov7裂缝检测

news2024/11/18 17:18:35

B站视频笔记。

1.首先到Github上找RoboFlow的仓库地址

该教程提供了传统算法比如Resnet、YOLO等，还有包含一些较新的算法。

2.通过Colab打开例程

可以直接通过Colab打开,还支持其他的打开方式，这里提供三种方式。
提示：
点击授权即可。

3.算法步骤

开始前准备
安装YOLOV7
安装Requirements
使用预训练的Coco Model
需要的数据格式
下载数据集从Roboflow Universe
自定义训练
评估
准备用户数据集：在这个教程中，我们使用从Roboflow Universe网站下载的90000+个数据集之一，如果你有了自己的图像（或者已经完成标注），你可以使用Roboflow转换你的数据集【一组开发人员用来快速准确地构建更好的计算机视觉模型的工具】。超过100K+开发者使用Roboflow进行自动化标注，转换数据集格式（比如YOLOV7）,训练、部署和提升他们的数据集或者模型。
按照开始指导手册，可以创造或者准备你自己的数据集，保证选择Instance Segmentation选项，如果你想拥有自己的数据集在Roboflow。

4.开始

首先我们确定我们可以使用GPU,可以使用nvidia-smi来执行。运行该命令提示：
在这里插入图片描述
点仍然运行,

5.安装YOLO v7

获取当前路径。

import os
HOME = os.getcwd()
print(HOME)

![在这里插入图片描述](https://img-blog.csdnimg.cn/1a56e3c6c1424c188faa24b7328c1374.pn

克隆YOLO V7代码

# clone YOLOv7 repository
%cd {HOME}
!git clone https://github.com/WongKinYiu/yolov7

# navigate to yolov7 directory and checkout u7 branch of YOLOv7 - this is hash of lates commit from u7 branch as of 12/21/2022
%cd {HOME}/yolov7
!git checkout 44f30af0daccb1a3baecc5d80eae22948516c579

在这里插入图片描述

6.安装依赖

%cd {HOME}/yolov7/seg
!pip install --upgrade pip
!pip install -r requirements.txt

在这里插入图片描述部分效果展示。

7.使用预训练的COCO模型进行推理

# download COCO starting checkpoint to yolov7/seg directory
%cd {HOME}/yolov7/seg
!wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-seg.pt
WEIGHTS_PATH = f"{HOME}/yolov7/seg/yolov7-seg.pt"

在这里插入图片描述

# 下载图片到yolov7/seg目录
# download example image to yolov7/seg directory
%cd {HOME}/yolov7/seg
!wget --no-check-certificate 'https://docs.google.com/uc?export=download&id=1sPYHUcIW48sJ67kh5MHOI3GfoXlYNOfJ' -O dog.jpeg
IMAGE_PATH = f"{HOME}/yolov7/seg/dog.jpeg"

在这里插入图片描述开始预测

%cd {HOME}/yolov7/seg
!python segment/predict.py --weights $WEIGHTS_PATH --source $IMAGE_PATH --name coco

在这里插入图片描述这里要注意YOLOV7会单独创建一个结果文件夹，默认是exp,exp2,exp3等等，

RESULT_IMAGE_PATH = f"{HOME}/yolov7/seg/runs/predict-seg/coco/dog.jpeg"

from IPython.display import Image, display
display(Image(filename=RESULT_IMAGE_PATH))

显示预测结果：
在这里插入图片描述

8.需要的数据格式

对于YOLOv7分割模型，我们需要 YOLO v7 Pytorch格式，注意：如果想学习更多的标注格式，可以访问
Computer Vision Annotation Formats
1.数据集目录结构
数据集包含图片和标签，分成三部分，训练、测试和验证三个子部分，另外，应该有一个data.yaml文件在数据集的根目录。
在这里插入图片描述

2.标注文件的结构

每个标签文件都是一个txt文档，和图片具有相同的名称，请看下面的标签文件的内容。
在这里插入图片描述每一行在标签文件里面，应该有一定的结构，class_index x1 y1 x2 y2 x3 y3 …

3.data.yaml文件结构

在这里插入图片描述

9.从Roboflow Universe下载数据集

你需要你的API_KEY,你可以通过Roboflow右上角的资料里找到，然后设置，你将重新进入设置界面，在左边WORKSPACES点击Roboflow->Roboflow API,复制private API key,使用Shift+enter运行这个cell，粘贴API-key到提示窗口。
注意：网络有时候有段慢，执行会遇到卡顿的情况。
在这里插入图片描述
这里输入秘钥后，直接回车，这个运行状态的按钮一直处于旋转的状态。直接回车，可以运行下一行。

%cd {HOME}/yolov7/seg

!pip install roboflow --quiet

from roboflow import Roboflow

rf = Roboflow(api_key=api_key)
project = rf.workspace("university-bswxt").project("crack-bphdr")
dataset = project.version(2).download("yolov7")

在这里插入图片描述

10.训练

%cd {HOME}/yolov7/seg
!python segment/train.py --batch 16 \
 --epochs 10 \
 --data {dataset.location}/data.yaml \
 --weights $WEIGHTS_PATH \
 --device 0 \
 --name custom

在这里插入图片描述

from IPython.display import Image, display
display(Image(filename=f"{HOME}/yolov7/seg/runs/train-seg/custom/val_batch0_labels.jpg"))

在这里插入图片描述

11.评估

我们可以评估

%cd {HOME}/yolov7/seg
!python segment/predict.py \
--weights {HOME}/yolov7/seg/runs/train-seg/custom/weights/best.pt \
--conf 0.25 \
--source {dataset.location}/test/images

在这里插入图片描述
我们可以显示一些结果：

import glob
from IPython.display import Image, display

for imageName in glob.glob('/content/yolov7/seg/runs/predict-seg/exp/*.jpg')[:2]:
      display(Image(filename=imageName))
      print("\n")