Pedestrain

dl?

使用darknet訓(xùn)練:

1. Inria

創(chuàng)建 yolo-inria.cfg

從cfg/yolo-voc.2.0.cfg拷貝一份，修改batch=64, subdivisions=8, classes=1, 修改最后一個(gè)卷積層為filter=30。

cp cfg/yolo-voc.2.0.cfg cfg/yolo-inria.cfg

創(chuàng)建data/inria.names

里面只有一行：person

為每個(gè)圖片創(chuàng)建label文件，形式如下：

每個(gè)圖片對(duì)應(yīng)一個(gè)label文件，一個(gè)行人對(duì)應(yīng)一行，object-class全為0。文件分別放在/home/guru_ge/dataset/INRIAPerson/Train/labels目錄和/home/guru_ge/dataset/INRIAPerson/Test/labels目錄。

<object-class> <x> <y> <width> <height>

創(chuàng)建train.txt, test.txt

所有訓(xùn)練圖片的路徑，每行一張圖片，位置在/home/guru_ge/dataset/INRIAPerson/。
data/obj/img1.jpg
data/obj/img2.jpg
data/obj/img3.jpg

創(chuàng)建data/inria.data

修改train.txt, test.txt位置：

classes= 1 train = /home/guru_ge/dataset/INRIAPerson/train.txt valid = /home/guru_ge/dataset/INRIAPerson/test.txt names = data/obj.names backup = backup/

下載在ImageNet上預(yù)訓(xùn)練的darknet19模型

wget http://pjreddie.com/media/files/darknet19_448.conv.23

開始訓(xùn)練

./darknet detector train data/inria.data cfg/yolo-inria.cfg darknet19_448.conv.23 -gpus 0

結(jié)果

在INRIA測(cè)試集上評(píng)測(cè)結(jié)果：

./darknet detector map cfg/inria.data cfg/yolo-inria.cfg backup/yolo-inria.backup -gpus 0

class_id = 0, name = person, ap = 88.85 %
for thresh = 0.24, precision = 0.95, recall = 0.86, F1-score = 0.90
for thresh = 0.24, TP = 509, FP = 29, FN = 80, average IoU = 76.81 %

mean average precision (mAP) = 0.888518, or 88.85 %
Total Detection Time: 4.000000 Seconds

測(cè)試圖片：

./darknet detector test cfg/inria.data cfg/yolo-inria.cfg backup/yolo-inria.backup -gpus 0

?

測(cè)試圖片

?

跑另外一個(gè)視頻：

./darknet detector demo cfg/inria.data cfg/yolo-inria.cfg backup/yolo-inria.backup MOT16-06.mp4 -gpus 0

效果：

?

檢測(cè)結(jié)果

?

大小：

416 x 416

速度：

CPU FPS: 0.2
GPU FPS: 90

問題：
小目標(biāo)檢測(cè)不到

2. caltech

訓(xùn)練：

./darknet detector train cfg/caltech.data cfg/yolo-caltech.cfg darknet19_448.conv.23 -gpus 0 -dont_show

每5幀提取一張，訓(xùn)練集45651張圖片，測(cè)試集4406張圖片。batch_size為64，迭代3萬次左右開始收斂：

?

loss

?

評(píng)估：

./darknet detector map cfg/caltech.data cfg/yolo-caltech.cfg backup_caltech/yolo-caltech_40000.weights -gpus 0

detections_count = 24968, unique_truth_count = 6465
class_id = 0, name = person, 8 ap = 22.66 %
for thresh = 0.24, precision = 0.41, recall = 0.22, F1-score = 0.29
for thresh = 0.24, TP = 1431, FP = 2053, FN = 5034, average IoU = 27.87 %

mean average precision (mAP) = 0.226584, or 22.66 %
Total Detection Time: 137.000000 Seconds

問題：

從map上看表現(xiàn)很差，只有22.66，這可能是因?yàn)檫@個(gè)數(shù)據(jù)集人太小，并且標(biāo)注中還包含了一些被遮擋的目標(biāo)，干擾了檢測(cè)結(jié)果。

我們還測(cè)試了使用inria數(shù)據(jù)集訓(xùn)練的模型在caltech上的結(jié)果，表現(xiàn)還要更差：

detections_count = 17643, unique_truth_count = 6465
class_id = 0, name = person, 3 ap = 9.09 %
for thresh = 0.24, precision = 0.48, recall = 0.05, F1-score = 0.09
for thresh = 0.24, TP = 315, FP = 340, FN = 6150, average IoU = 35.57 %

mean average precision (mAP) = 0.090909, or 9.09 %
Total Detection Time: 46.000000 Seconds

./darknet detector demo cfg/caltech.data cfg/yolo-caltech.cfg yolo-caltech_30000.weights

使用caltech訓(xùn)練結(jié)果，小目標(biāo)的檢測(cè)更準(zhǔn)確了，但也存在了誤檢的問題，這可能是標(biāo)注中還包含了一些被遮擋的行人，導(dǎo)致訓(xùn)練的模型將這些遮擋物也認(rèn)為是行人，出現(xiàn)了誤檢。

?

檢測(cè)結(jié)果

?

轉(zhuǎn)載于:https://www.cnblogs.com/gr-nick/p/9379367.html

總結(jié)

以上是生活随笔為你收集整理的YOLO训练Pedestrain的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。