网站后台怎么上传图片产品,济南计算机培训机构哪个最好,服务器迁移对做网站的影响,ps与dw怎么做网站Faster R-CNN pytorch源码血细胞检测实战#xff08;二#xff09;数据增强 文章目录 Faster R-CNN pytorch源码血细胞检测实战#xff08;二#xff09;数据增强1. 资源参考2. 数据增强2.1 代码运行2.2 文件存放 3 数据集划分4. 训练测试5. 总结 1. 资源参…Faster R-CNN pytorch源码血细胞检测实战二数据增强 文章目录 Faster R-CNN pytorch源码血细胞检测实战二数据增强1. 资源参考2. 数据增强2.1 代码运行2.2 文件存放 3 数据集划分4. 训练测试5. 总结 1. 资源参考
Faster R-CNN pytorch版源码调试过程参考Faster R-CNN pytorch源码血细胞检测实战详细版 数据增强源码参考voc数据集对有标签的数据集数据增强 其它参考 imgaug使用文档
2. 数据增强
在Faster R-CNN pytorch源码血细胞检测实战详细版的基础上我们完成了对Faster RCNN pytorch版代码的运行并且基于公共血细胞数据集实现了对多血细胞的检测。现在在前文的基础上我们对数据进行增强并基于增强后的数据对Faster RCNN进行训练进而测试应用数据增强技术后的训练模型的检测精度。
2.1 代码运行
数据增强源码参考了这篇voc数据集对有标签的数据集数据增强如下所示 Author: CodingWZP
Email: codingwzpgmail.com
Date: 2021-08-06 10:51:35
LastEditTime: 2021-08-09 10:53:43
Description: Image augmentation with label.import xml.etree.ElementTree as ET
import os
import imgaug as ia
import numpy as np
import shutil
from tqdm import tqdm
from PIL import Image
from imgaug import augmenters as iaaia.seed(1)def read_xml_annotation(root, image_id):in_file open(os.path.join(root, image_id))tree ET.parse(in_file)root tree.getroot()bndboxlist []for object in root.findall(object): # 找到root节点下的所有country节点bndbox object.find(bndbox) # 子节点下节点rank的值xmin int(bndbox.find(xmin).text)xmax int(bndbox.find(xmax).text)ymin int(bndbox.find(ymin).text)ymax int(bndbox.find(ymax).text)# print(xmin,ymin,xmax,ymax)bndboxlist.append([xmin, ymin, xmax, ymax])# print(bndboxlist)bndbox root.find(object).find(bndbox)return bndboxlistdef change_xml_list_annotation(root, image_id, new_target, saveroot, id):in_file open(os.path.join(root, str(image_id) .xml)) # 这里root分别由两个意思tree ET.parse(in_file)# 修改增强后的xml文件中的filenameelem tree.find(filename)elem.text (str(id) .jpg)xmlroot tree.getroot()# 修改增强后的xml文件中的pathelem tree.find(path)if elem ! None:elem.text (saveroot str(id) .jpg)index 0for object in xmlroot.findall(object): # 找到root节点下的所有country节点bndbox object.find(bndbox) # 子节点下节点rank的值# xmin int(bndbox.find(xmin).text)# xmax int(bndbox.find(xmax).text)# ymin int(bndbox.find(ymin).text)# ymax int(bndbox.find(ymax).text)new_xmin new_target[index][0]new_ymin new_target[index][1]new_xmax new_target[index][2]new_ymax new_target[index][3]xmin bndbox.find(xmin)xmin.text str(new_xmin)ymin bndbox.find(ymin)ymin.text str(new_ymin)xmax bndbox.find(xmax)xmax.text str(new_xmax)ymax bndbox.find(ymax)ymax.text str(new_ymax)index index 1tree.write(os.path.join(saveroot, str(id .xml)))def mkdir(path):# 去除首位空格path path.strip()# 去除尾部 \ 符号path path.rstrip(\\)# 判断路径是否存在# 存在 True# 不存在 FalseisExists os.path.exists(path)# 判断结果if not isExists:# 如果不存在则创建目录# 创建目录操作函数os.makedirs(path)print(path 创建成功)return Trueelse:# 如果目录存在则不创建并提示目录已存在print(path 目录已存在)return Falseif __name__ __main__:IMG_DIR ./JPEGImages/XML_DIR ./Annotations/AUG_XML_DIR ./AUG/Annotations/ # 存储增强后的XML文件夹路径try:shutil.rmtree(AUG_XML_DIR)except FileNotFoundError as e:a 1mkdir(AUG_XML_DIR)AUG_IMG_DIR ./AUG/JPEGImages/ # 存储增强后的影像文件夹路径try:shutil.rmtree(AUG_IMG_DIR)except FileNotFoundError as e:a 1mkdir(AUG_IMG_DIR)AUGLOOP 5 # 每张影像增强的数量boxes_img_aug_list []new_bndbox []new_bndbox_list []# 影像增强seq iaa.Sequential([iaa.Invert(0.5),iaa.Fliplr(0.5), # 镜像iaa.Multiply((1.2, 1.5)), # change brightness, doesnt affect BBsiaa.GaussianBlur(sigma(0, 3.0)), # iaa.GaussianBlur(0.5),iaa.Affine(translate_px{x: 15, y: 15},scale(0.8, 0.95),) # translate by 40/60px on x/y axis, and scale to 50-70%, affects BBs])for name in tqdm(os.listdir(XML_DIR), descProcessing):bndbox read_xml_annotation(XML_DIR, name)# 保存原xml文件shutil.copy(os.path.join(XML_DIR, name), AUG_XML_DIR)# 保存原图og_img Image.open(IMG_DIR / name[:-4] .jpg)og_img.convert(RGB).save(AUG_IMG_DIR name[:-4] .jpg, JPEG)og_xml open(os.path.join(XML_DIR, name))tree ET.parse(og_xml)# 修改增强后的xml文件中的filenameelem tree.find(filename)elem.text (name[:-4] .jpg)tree.write(os.path.join(AUG_XML_DIR, name))for epoch in range(AUGLOOP):seq_det seq.to_deterministic() # 保持坐标和图像同步改变而不是随机# 读取图片img Image.open(os.path.join(IMG_DIR, name[:-4] .jpg))# sp img.sizeimg np.asarray(img)# bndbox 坐标增强for i in range(len(bndbox)):bbs ia.BoundingBoxesOnImage([ia.BoundingBox(x1bndbox[i][0], y1bndbox[i][1], x2bndbox[i][2], y2bndbox[i][3]),], shapeimg.shape)bbs_aug seq_det.augment_bounding_boxes([bbs])[0]boxes_img_aug_list.append(bbs_aug)# new_bndbox_list:[[x1,y1,x2,y2],...[],[]]n_x1 int(max(1, min(img.shape[1], bbs_aug.bounding_boxes[0].x1)))n_y1 int(max(1, min(img.shape[0], bbs_aug.bounding_boxes[0].y1)))n_x2 int(max(1, min(img.shape[1], bbs_aug.bounding_boxes[0].x2)))n_y2 int(max(1, min(img.shape[0], bbs_aug.bounding_boxes[0].y2)))if n_x1 1 and n_x1 n_x2:n_x2 1if n_y1 1 and n_y2 n_y1:n_y2 1if n_x1 n_x2 or n_y1 n_y2:print(error, name)new_bndbox_list.append([n_x1, n_y1, n_x2, n_y2])# 存储变化后的图片image_aug seq_det.augment_images([img])[0]path os.path.join(AUG_IMG_DIR,str(str(name[:-4]) _ str(epoch)) .jpg)image_auged bbs.draw_on_image(image_aug, size0)Image.fromarray(image_auged).convert(RGB).save(path)# 存储变化后的XMLchange_xml_list_annotation(XML_DIR, name[:-4], new_bndbox_list, AUG_XML_DIR,str(name[:-4]) _ str(epoch))# print(str(str(name[:-4]) _ str(epoch)) .jpg)new_bndbox_list []print(Finish!)
建一个新的python文件命名为img_augmentation.py放在faster-rcnn.pytorch-pytorch-1.0\data\VOCdevkit2007\VOC2007目录下即可。 用命令python img_augmentation.py运行上述代码会在VOC2007目录下生成一个AUG文件夹里面存放好了JPEGImages和Annotations文件夹如下图所示 而这两个文件夹则分别存放了包括原图和增强图像在内的2184张图像384384×52184具体生成多少张应用怎么样的增强可以修改上述代码来实现这里是对每张原图生成5张增强图像。
2.2 文件存放
正常来说应该是将增强后的图像单独存放在faster-rcnn.pytorch-pytorch-1.0\data\目录下并写一个读取该目录的类但是最近没啥时间来专门coding了所以这里为了求快直接按照以下懒人版方法修改文件即可。 对2.1中生成的AUG文件夹直接用该文件夹下的JPEGImages和Annotations文件夹替换faster-rcnn.pytorch-pytorch-1.0\data\VOCdevkit2007\VOC2007的JPEGImages和Annotations。
3 数据集划分
建一个新的python文件命名为img_split.py放在faster-rcnn.pytorch-pytorch-1.0\data\VOCdevkit2007\VOC2007目录下代码内容如下所示
import os
import randompath ./ # 设置path为VOC2007文件夹即可也就是当前文件夹
trainval_percent 0.8 # 训练验证占80%
train_percent 0.75 # 训练集占训练验证的75%也就是0.8×0.750.6xmlfilepath os.path.join(path, Annotations) # xml文件保存地址
txtsavepath os.path.join(path, ImageSets/Main) # txt文件保存地址
total_xml os.listdir(xmlfilepath) # 解析
original_xml [f for f in total_xml if f.endswith(.xml) and len(os.path.splitext(f)[0].split(_)) 2]
# print(original_xml)num len(original_xml)
list range(num)
tv int(num * trainval_percent)
tr int(tv * train_percent)
trainval random.sample(list, tv)
train random.sample(trainval, tr)ftrainval open(os.path.join(txtsavepath, trainval.txt), w)
ftest open(os.path.join(txtsavepath, test.txt), w)
ftrain open(os.path.join(txtsavepath, train.txt), w)
fval open(os.path.join(txtsavepath, val.txt), w)# 获取所有图像文件原始和增强
image_files [f.replace(.xml, ) for f in os.listdir(os.path.join(path, JPEGImages)) if f.endswith(.jpg)]# 用于记录已经写入的图像名
written_images set()for i in list:name original_xml[i][:-4] # 获取原始图像的文件名不包括扩展名# print(name)if i in trainval:ftrainval.write(name \n)if i in train:ftrain.write(name \n)# 找到对应的增强图像并写入训练集for k in range(0, 5): # 假设每张图像有5次增强augmented_name f{name}_{k}if augmented_name not in written_images:ftrain.write(augmented_name \n)written_images.add(augmented_name)else:fval.write(name \n)else:ftest.write(name \n)ftrainval.close()
ftrain.close()
fval.close()
ftest.close()用命令python img_split.py运行上述代码会在faster-rcnn.pytorch-pytorch-1.0\data\VOCdevkit2007\VOC2007\ImageSets\Main\生成划分数据集的txt文件。 注意img_split.py和img_augmentation.py是对应的可以看到我在img_augmentation.py中对每张图片都增强了5次所以在img_split.py中也是每次读取原始图像的5个增强图像文件。 为了防止数据泄露所以在img_split.py中只用增强后的数据来对模型进行训练而不用于验证和测试可以看到在img_split.py中的这几行
# 只有训练集中添加了增强后的图像
if i in trainval:ftrainval.write(name \n)if i in train:ftrain.write(name \n)# 找到对应的增强图像并写入训练集for k in range(0, 5): # 假设每张图像有5次增强augmented_name f{name}_{k}if augmented_name not in written_images:ftrain.write(augmented_name \n)written_images.add(augmented_name)else:fval.write(name \n)else:ftest.write(name \n)4. 训练测试
在开始训练之前还需要把之前训练产生的模型以及cache删除掉分别在下面三个路径下 faster-rcnn.pytorch-pytorch-1.0\output\res101\voc_2007_test\faster_rcnn_10\ faster-rcnn.pytorch-pytorch-1.0\data\cache\ faster-rcnn.pytorch-pytorch-1.0\data\VOCdevkit2007\annotations_cache\ 之后参照Faster R-CNN pytorch源码血细胞检测实战详细版中即可。
5. 总结
这次代码调试过程还是让我学到了很多的由于pytorch版Faster RCNN源码的实现和运行比较复杂因此点到为止只要求能成功复现实验并且了解了怎么调参即可代码的实现细节可以参考其它的开源仓库据我所知好像mmdetection对Faster RCNN的实现就比较简洁且易于运行。
