YOLOX进行目标检测（东北大学钢材表面缺陷数据集）

YOLOX训练数据集（东北大学数据集）

参考博文添加链接描述

1. 版本配置

cuda:11.6     #nvidia-smi查看自己电脑支持的版本
Python:3.9
torch-1.12.0+cu116-cp39-cp39-win_amd64.whl #下载地址https://download.pytorch.org/whl/torch_stable.html
torchvision-0.13.0+cu116-cp39-cp39-win_amd64.whl #下载地址https://download.pytorch.org/whl/torch_stable.html

2.配置环境并验证

2.1 YOLOX源码下载地址

https://github.com/Megvii-BaseDetection/YOLOX

2.2 执行安装

pip install -r requirements.txt~~~~~~~~~~~~~~~~~~~~~~
#为支持Python3.9修改requirements.txt的onnx版本
onnx==1.9.0#执行安装
python setup.py install#安装apex,下载地址
https://github.com/NVIDIA/apex#下载完成后，解压后，在Shell里，进入到apex-master中执行安装命令
pip install -r requirements.txt   python setup.py install#安装pycocotools
pip install pycocotools#下载预训练模型放到根目录
https://github.com/Megvii-BaseDetection/YOLOX/releases/download/0.1.1rc0/yolox_s.pth。#验证环境，执行
python tools/demo.py image -f exps/default/yolox_s.py -c ./yolox_s.pth
--path assets/dog.jpg --conf 0.3 --nms 0.65 --tsize 640 --save_result --device gpu

​ 测试结果

3.制作数据集

3.1下载数据集

按照测试集，训练集，验证集2:1:1的比例进行创建链接：https://pan.baidu.com/s/1BeLQswzExLJ1tQrlWBhUcA?pwd=x04j 
提取码：x04j

3.2转化为VOC2007数据集

新建data/VOCdevkit
将下载好的VOC2007数据集粘贴到此文件夹

4.训练自己的数据集

4.1 修改exps/example/yolox_voc/yolox_voc_s.py

1. 本次使用的类别有6类，所以将num_classes修改为6。

2. 修改文件路径，将data_dir修改为自己目录，删掉image_sets里面的2012

3. 修改test路径，将data_dir修改为自己目录

4.2 打开yolox/data/datasets/voc_classes.py文件，修改为自己的类别名：

4.3 打开yolox/data/datasets/voc.py，去掉{}里的s，否则找不到文件路径

4.4 重新编译yolox

python setup.py install

4.5 命令行执行

python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 1 -b 4 --fp16  -c yolox_s.pth

4.6 采用train.py文件执行

#修改批处理大小为4parser.add_argument("-b", "--batch-size", type=int, default=4, help="batch size")#修改设备数为1
parser.add_argument("-d", "--devices", default=1, type=int, help="device for training" )#修改训练的模型声明文件parser.add_argument("-f","--exp_file",default='exps/example/yolox_voc/yolox_voc_s.py',type=str,help="plz input your experiment description file",)#上次训练的结果，继续训练和fine turning时填写check point路径parser.add_argument("-c", "--ckpt", default='yolox_s.pth', type=str, help="checkpoint file")#训练时采用混合精度
parser.add_argument("--fp16",dest="fp16",default=True,action="store_true",help="Adopting mix precision training.",)

若在训练过程中终止，继续训练

#将其修改为True
parser.add_argument("--resume", default=True, action="store_true", help="resume training")#上次训练的结果
parser.add_argument(
"-c", "--ckpt", default='YOLOX_outputs/yolox_voc_s/best_ckpt.pth', type=str, help="checkpoint file"
)#修为自己想要开始的轮数
parser.add_argument(
"-e",
"--start_epoch",
default=None,
type=int,
help="resume training start epoch",
)

5.测试

5.1 修改参数

# 在yolox/data/datasets/__init__.py中导入“VOC_CLASSES”
from.voc_classes import VOC_CLASSES#修改tools/demo.py中代码，将“COCO_CLASSES”，改为“VOC_CLASSES”
from yolox.data.datasets import COCO_CLASSES,VOC_CLASSES#将“306”行的Predictor类初始化传入的“COCO_CLASSES”改为“VOC_CLASSES”predictor = Predictor(model, exp, VOC_CLASSES, trt_file, decoder,args.device, args.fp16, args.legacy,)

5.2 命令行测试

#重新执行编译
python setup.py install#命令行测试,在.assets文件夹下新建NEU文件夹，保存测试用例
python tools/demo.py image -f exps/example/yolox_voc/yolox_voc_s.py -c 
YOLOX_outputs/yolox_voc_s/latest_ckpt.pth --path ./assets/NEU --conf 0.3 --nms 0.65 --tsize 640 --save_result --device gpu

测试示例：

5.3 使用demo.py测试

#修改以下数据
parser.add_argument(
'-do', "--demo", default="image", help="demo type, eg. image, video and webcam"
)#修改测试路径
parser.add_argument(
"--path", default="./assets/NEU", help="path to images or video"
)#修改模型声明文件
parser.add_argument("-f","--exp_file",default="exps/example/yolox_voc/yolox_voc_s.py",type=str,help="please input your experiment description file",
)#修改训练结果路径
parser.add_argument("-c", "--ckpt", default="YOLOX_outputs/yolox_voc_s/best_ckpt.pth", 
type=str, help="ckpt for eval")#修改设备为gpu
parser.add_argument("--device",default="gpu",type=str,help="device to run our model, can either be cpu or gpu",
)#保存路径
parser.add_argument("--save_result",default='.YOLOX_outputs/yolox_voc_s/vis_res',action="store_true",help="whether to save the inference result of image/video",
)#修改nms和tsize
parser.add_argument("--nms", default=0.45, type=float, help="test nms threshold")
parser.add_argument("--tsize", default=640, type=int, help="test img size")

6.保存测试结果

打开yolox/utils.visualize.py文件，修改vis方法

#新增result_list数组
result_list = []#在color自变量前增加以下代码
class_name = class_names[cls_id]
one_line = (str(x0), str(y0), str(x1), str(y1), class_name, str(float(score)))
str_one_line = " ".join(one_line)
result_list.append(str_one_line)#增加返回值
return img,result_list

修改demo.py方法

#修改visual函数
#当未找到时
if output is None:result_list=['NO MATCH!']return img,result_list
#增加返回值
vis_res,result_list = vis(img, bboxes, scores, cls, cls_conf, self.cls_names)
return vis_res,result_list#在image_demo方法中修改
result_image,result_list = predictor.visual(outputs[0], img_info, predictor.confthre)
print(result_list)#写入文本文档save_file_name = os.path.join(save_folder, os.path.basename(image_name))logger.info("Saving detection result in {}".format(save_file_name))txt_name = os.path.splitext(save_file_name)[0] + ".txt"print(txt_name)f = open(txt_name, "w")for line in result_list:f.write(str(line) + '\n')f.close()cv2.imwrite(save_file_name, result_image)

文本文档：

遇到的一些BUG

No module named 'tensorboard'
#更新pip,进行对应包的安装
python -m pip install --upgrade pip
pip install tensorboard

搜索data_num_workers变量，在yolox_base.py文件中将其修改为0，重新编译执行