資料集抽樣與標記

1. 鑒於手動標記費時，故先隨機抽樣300張鋼胚序號圖片。

   1.1 程式碼

   import os
   import shutil
   import random
   
   def sampling(source, num):
       # 讀取images資料夾內圖片檔名
       indexes = os.listdir(source)
       # 檔案順序隨機
       random.shuffle(indexes)
       # 創建訓練或驗證集(依比例分配)
       target_list = indexes[:num]
   
       return target_list
   
   # 移動圖片到資料夾
   def copy_sample(sample_path, target_list):
       if not os.path.exists(sample_path):
           os.makedirs(sample_path)
       # 移動圖片到資料夾
       for move_it in target_list:
           shutil.copy(move_it, move_it.replace('data_go', 'final_data'))
       print('移動圖片到資料夾 Done')
   
   if __name__ == '__main__':
       source = './data_go/'
       sample_path = '/final_data/'
   
       target_list = sampling(source, 300)
       target_list = [source+i for i in target_list]
   
       copy_sample(sample_path, target_list)
   

   1.2 執行結果

   

2. 計算letter出現次數，考量樣本均衡程度，手動篩選180張作為此次資料集。

   2.1 程式碼

   import os
   
   def count_letter(classes, sentence):
       for i in classes:
           print('字母{}：出現{}次'.format(i, sentence.count(i)))
       print('※ 程式執行完畢')
   
   if __name__ == '__main__':
       source_path = './final_data/'
       images = os.listdir(source_path)
       images = [i[:-4] for i in images]
       sentence = "".join(images)
       classes = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
               'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J',
               'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T',
               'U', 'V', 'W', 'X', 'Y', 'Z']
   
       count_letter(classes, sentence)
   

   2.2 執行結果

   

3. 使用LabelImg標記180圖片，獲得的PascalVOC xml。

4. PascalVOC(xml)轉YOLO(txt)格式與分配資料集

   4.1 轉換方式：參考《第25天》YOLO訓練流程與資料集YOLO txt格式，修改資料夾路徑後，執行xml_to_voc_labelpy。

   4.2 執行結果

   • train

     

   • val

     

YOLOv4

1. 參數修改

   1.1 修改coco.yaml參數檔檔

   

   1.2 修改coco.names：0-9、A-Z(扣掉I、O)，共34個類別。

   

   1.3 修改cfg/yolov4.cfg

   • classes：第968、1055、1142行需為34。

     

   • filters：(34+5)*3=117。第961、1048、1135行需為117

     

2. 訓練模型

   2.1 訓練參數：batch size=1、image size=640、epochs=50

   

   2.2 GPU占用：5.1G

   

3. 訓練結果

   3.1 mAP@0.5：0.0536

   3.2 訓練50epochs花費：0.332小時

   

Scaled YOLOv4

1. 參數修改

   1.1 修改coco.yaml參數檔檔(同YOLOv4)

   1.2 修改coco.names：0-9、A-Z(扣掉I、O)，共34個類別。(同YOLOv4)

   1.3 修改models/yolov4-csp.cfg

   • classes：第1029、1138、1247行需為34。

     

   • filters：(34+5)*3=117。第1022、1131、1240行需為117

     

2. 訓練模型

   2.1 訓練參數：batch size=1、image size=640、epochs=50

   

   2.2 GPU占用：3.06G

   

3. 訓練結果

   3.1 mAP@0.5：0.0679

   3.2 訓練50epochs花費：0.316小時

   

小結

1. 下一站，我們接續「YOLOR與YOLOv7」模型訓練。

讓我們繼續看下去...

參考資料

1. 中鋼人工智慧挑戰賽-字元辨識