- 自定义训练数据
- 图片目标标注
- 生成训练文件(图片名称、目标标注位置、目标类别)
- 调整参数、训练模型
- 转换生成的模型
- 用转换后的模型进行目标检测
具体内容
1.下载包、安装环境
从Github上下载keras-retinanet库
pip install . —-user 把库配置到当前环境中
python setup.py build_ext —inplace 编译Cpython代码
2. 准备数据集
新建Annotations、ImageSets、JPEGImages三个文件夹
Annotations:存放用”lamlImg”软件标注生成的xml文件
JPEGImages:存放用于训练和测试的数据图片
ImageSets —> Main:存放用 gen_main_txt.py 按比例随机抽样切分的训练集、测试集、验证集
gen_csv.py:生成包含文件名、目标位置、目标类型的annotations.csv、classes.csv
debug.py:测试数据是否生成成
3.模型训练:
修改batch-size、image-min-side、image-max-side适应小内存的GPU:
python keras_retinanet/bin/train.py csv F:/RetinaNet/annotations.csv F:/RetinaNet/classes.csv
根据识别的目标类型数确定合适的epochs、steps
4.模型应用
转换训练生成的.h5文件:
python keras_retinanet/bin/convert_model.py snapshots/resnet50_csv_08.h5 F:/RetinaNet/examples/model_08.h5
Get.py 文件配置转换后的h5模型文件地址与目标图像的地址