极验3图标（2）目标检测+分类模型训练（手把手教学包会）

2024-04-18 04:44
文章标签 教学 训练 分类 模型 手把手 目标 检测 图标 包会 极验

本文主要是介绍极验3图标（2）目标检测+分类模型训练（手把手教学包会），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

由于上次写的图标识别文章不够详细，这次换了一种图标，详细的记录下整个训练过程吧~

在这里插入图片描述
首先是目标检测，用的是yolov5，下载地址：

https://github.com/ultralytics/yolov5

还需下载预训练权重文件，下载地址：

链接：https://pan.baidu.com/s/18SQdhqLsQ5ivPH9M7vhCFg?pwd=8f4e 提取码：8f4e

接着使用代码下载100张图片

# -*-coding:utf-8 -*-"""
# File       : captcha.py
# Time       ：2023/04/23 18:28
# Author     ：ndy
# version    ：python 3.6
# Description：
"""
import re
import time
import requests
import vthreadheaders = {"Accept": "*/*","Accept-Language": "zh-CN,zh;q=0.9","Referer": "https://signin.hworld.com/","User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 13_2_3 like Mac OS X) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/13.0.3 Mobile/15E148 Safari/604.1"
}@vthread.pool(5)
def run():url = "https://www.geetest.com/demo/gt/register-icon?t={}".format(int(time.time()*1000))res = requests.get(url, headers=headers).json()challenge = res['challenge']gt =  res['gt']requests.get('https://api.geetest.com/gettype.php?gt={}&callback=geetest_1713230167590'.format(gt), headers=headers)params = {"gt": gt,"challenge": challenge,"lang": "zh-cn","pt": "0","client_type": "web_mobile","w": "","callback": "geetest_1694485799312"}requests.get("https://api.geevisit.com/ajax.php", headers=headers, params=params)url = "https://apiv6.geetest.com/get.php"params = {"is_next": "true","type": "click","gt": gt,"challenge": challenge,"lang": "zh-cn","https": "true","protocol": "https://","offline": "false","product": "float","api_server": "apiv6.geetest.com","isPC": "true","autoReset": "true","width": "100%","callback": "geetest_1713230318961"}res = requests.get(url, headers=headers, params=params).textimage_path = 'https://static.geetest.com'+re.findall('"pic": "(.*?)"',res)[0]print(image_path)image = requests.get(image_path).contentimg_name = image_path.split('/')[-1]with open('./imgs/{}'.format(img_name),'wb') as f:f.write(image)if __name__ == '__main__':for i in range(100):run()

使用labelimg进行如下标注
在这里插入图片描述
在data下创建如下几个文件夹（注意： images内为数据集原始图片，Annotations内为标注的xml文件）
并将images内文件复制到JPEGIamges中（代码中并没有用到这部分，可以不创建JPEGImages文件夹）
在这里插入图片描述
根目录下创建make_txt.py 文件，代码如下：

import os
import randomtrainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_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('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftest.write(name)else:fval.write(name)else:ftrain.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

根目录下继续创建 voc_label.py 文件，代码如下：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test','val']
classes = ['target','char']
def convert(size, box):dw = 1. / size[0]dh = 1. / size[1]x = (box[0] + box[1]) / 2.0y = (box[2] + box[3]) / 2.0w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn (x, y, w, h)
def convert_annotation(image_id):in_file = open('data/Annotations/%s.xml' % (image_id))out_file = open('data/labels/%s.txt' % (image_id), 'w')tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
print(wd)
for image_set in sets:if not os.path.exists('data/labels/'):os.makedirs('data/labels/')image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()list_file = open('data/%s.txt' % (image_set), 'w')for image_id in image_ids:list_file.write('data/images/%s.jpg\n' % (image_id))convert_annotation(image_id)list_file.close()

在这里要注意： 这里的 class =[‘target’,‘char’] 代表数据集需要标注的类别，单引号的内容需要根据你的数据集确定，有几类就写几类。

修改之后，依次执行上面两个py文件，执行成功是这样的

（1） labels下生成txt文件（显示数据集的具体标注数据）
在这里插入图片描述
（2） ImageSets下生成四个txt文件
在这里插入图片描述
（3） data下生成三个txt文件（带有图片的路径）
在这里插入图片描述

修改yaml文件
这里的yaml和以往的cfg文件是差不多的，但需要配置一份属于自己数据集的yaml文件。
复制data目录下的coco.yaml，我这里命名为my.yaml
主要修改三个地方：
在这里插入图片描述
a. 修改train,val,test的路径为自己刚刚生成的路径
b. nc 里的数字代表数据集的类别数
c. names 里为自己数据集标的所有类名称

修改models模型文件
models下有四个模型，smlx需要训练的时间依次增加，按照需求选择一个文件进行修改即可

这里修改了yolov5s.yaml（需要下载权重文件yolo5s.pt），只需要将nc的类别修改为自己需要的即可

在这里插入图片描述
训练train.py
这里需要对train.py文件内的参数进行修改，按照我们的需求需改即可

在这里插入图片描述
weights，cfg，data按照自己所需文件的路径修改即可
epochs迭代次数自己决定，我这里仅用100次进行测试
batch-size过高可能会影响电脑运行速度，还是要根据自己电脑硬件条件决定增加还是减少

最终训练完成后，导出onnx文件

修改export.py以下对应参数并运行
在这里插入图片描述
然后调用目标检测文件，看看效果还是不错的
在这里插入图片描述
最后同样的方法，对图片下载切割后分类，起名字真麻烦，最终类型数是110种。
在这里插入图片描述
接着就是要进行分类训练，先使用以下脚本划分训练集、测试集、验证集图片

# -*-coding:utf-8 -*-"""
# File       : 图片划分.py
# Time       : 2024/4/2 15:01
# Author     : ndy
# version    : 2024
# Description: 
"""
import os
from shutil import copy
import randomdef mkfile(file):if not os.path.exists(file):os.makedirs(file)# 获取data文件夹下所有文件夹名（即需要分类的类名）
file_path = r'分类的图片路径'
save_path = '../classify/datasets/data/'
flower_class = [cla for cla in os.listdir(file_path)]
# 划分比例，训练集 : 测试集 :验证= 7:1:2
split_train = 0.7
split_test = 0.1
split_val = 0.2# 遍历所有类别的全部图像并按比例分成训练集和验证集
for cla in flower_class:cla_path = file_path + '/' + cla + '/'  # 某一类别的子目录images = os.listdir(cla_path)  # iamges 列表存储了该目录下所有图像的名称num = len(images)eval_train = random.sample(images, k=int(num * split_train))  # 从images列表中随机抽取 k 个图像名称eval_val = random.sample(images, k=int(num * split_val))for index, image in enumerate(images):if image in eval_train:image_path = cla_path + imagenew_path = save_path + '/train/' + clamkfile(new_path)copy(image_path, new_path)  # 将选中的图像复制到新路径elif image in eval_val:image_path = cla_path + imagenew_path = save_path + '/val/' + clamkfile(new_path)copy(image_path, new_path)  # 将选中的图像复制到新路径else:image_path = cla_path + imagenew_path = save_path + '/test/' + clamkfile(new_path)copy(image_path, new_path)print("\r[{}] processing [{}/{}]".format(cla, index + 1, num), end="")  # processing barprint()print("processing done!")'''图片尺寸 50*50'''

目录格式如下
在这里插入图片描述
然后修改train.py文件如下配置

在这里插入图片描述
开始训练……

在这里插入图片描述
完成后进行测试下
在这里插入图片描述
最后结合目标检测实现图标点选功能

在这里插入图片描述

分类图片文件已上传至星球（【即将涨价】），可自行进行训练！

同时已上传极验3文字点选源文件，解压即用！

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

这篇关于极验3图标（2）目标检测+分类模型训练（手把手教学包会）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/913794。

相关文章

OpenCV实现实时颜色检测的示例

OpenCV实现实时颜色检测的示例

《OpenCV实现实时颜色检测的示例》本文主要介绍了OpenCV实现实时颜色检测的示例,通过HSV色彩空间转换和色调范围判断实现红黄绿蓝颜色检测,包含视频捕捉、区域标记、颜色分析等功能,具有一定的参考... 目录一、引言二、系统概述三、代码解析1. 导入库2. 颜色识别函数3. 主程序循环四、HSV色彩空间
阅读更多...
苹果macOS 26 Tahoe主题功能大升级:可定制图标/高亮文本/文件夹颜色

苹果macOS 26 Tahoe主题功能大升级:可定制图标/高亮文本/文件夹颜色

《苹果macOS26Tahoe主题功能大升级:可定制图标/高亮文本/文件夹颜色》在整体系统设计方面，macOS26采用了全新的玻璃质感视觉风格，应用于Dock栏、应用图标以及桌面小部件等多个界面... 科技媒体 MACRumors 昨日（6 月 13 日）发布博文，报道称在 macOS 26 Tahoe 中
阅读更多...
Macos创建python虚拟环境的详细步骤教学

Macos创建python虚拟环境的详细步骤教学

《Macos创建python虚拟环境的详细步骤教学》在macOS上创建Python虚拟环境主要通过Python内置的venv模块实现,也可使用第三方工具如virtualenv,下面小编来和大家简单聊聊... 目录一、使用 python 内置 venv 模块（推荐）二、使用 virtualenv（兼容旧版 P
阅读更多...
详解如何使用Python从零开始构建文本统计模型

详解如何使用Python从零开始构建文本统计模型

《详解如何使用Python从零开始构建文本统计模型》在自然语言处理领域,词汇表构建是文本预处理的关键环节,本文通过Python代码实践,演示如何从原始文本中提取多尺度特征,并通过动态调整机制构建更精确... 目录一、项目背景与核心思想二、核心代码解析1. 数据加载与预处理2. 多尺度字符统计3. 统计结果可
阅读更多...
SpringBoot整合Sa-Token实现RBAC权限模型的过程解析

SpringBoot整合Sa-Token实现RBAC权限模型的过程解析

《SpringBoot整合Sa-Token实现RBAC权限模型的过程解析》：本文主要介绍SpringBoot整合Sa-Token实现RBAC权限模型的过程解析,本文给大家介绍的非常详细,对大家的学... 目录前言一、基础概念1.1 RBAC模型核心概念1.2 Sa-Token核心功能1.3 环境准备二、表结
阅读更多...
使用Python实现IP地址和端口状态检测与监控

使用Python实现IP地址和端口状态检测与监控

《使用Python实现IP地址和端口状态检测与监控》在网络运维和服务器管理中,IP地址和端口的可用性监控是保障业务连续性的基础需求,本文将带你用Python从零打造一个高可用IP监控系统,感兴趣的小伙... 目录概述：为什么需要IP监控系统使用步骤说明1. 环境准备2. 系统部署3. 核心功能配置系统效果展
阅读更多...
Pandas使用AdaBoost进行分类的实现

Pandas使用AdaBoost进行分类的实现

《Pandas使用AdaBoost进行分类的实现》Pandas和AdaBoost分类算法,可以高效地进行数据预处理和分类任务,本文主要介绍了Pandas使用AdaBoost进行分类的实现,具有一定的参... 目录什么是 AdaBoost？使用 AdaBoost 的步骤安装必要的库步骤一：数据准备步骤二：模型
阅读更多...
Spring Security基于数据库的ABAC属性权限模型实战开发教程

Spring Security基于数据库的ABAC属性权限模型实战开发教程

《SpringSecurity基于数据库的ABAC属性权限模型实战开发教程》：本文主要介绍SpringSecurity基于数据库的ABAC属性权限模型实战开发教程,本文给大家介绍的非常详细,对大... 目录1. 前言2. 权限决策依据RBACABAC综合对比3. 数据库表结构说明4. 实战开始5. MyBA
阅读更多...
macOS无效Launchpad图标轻松删除的4 种实用方法

macOS无效Launchpad图标轻松删除的4 种实用方法

《macOS无效Launchpad图标轻松删除的4种实用方法》mac中不在appstore上下载的应用经常在删除后它的图标还残留在launchpad中，并且长按图标也不会出现删除符号，下面解决这个问... 在 MACOS 上，Launchpad（也就是「启动台」）是一个便捷的 App 启动工具。但有时候，应
阅读更多...
Java的IO模型、Netty原理解析

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容：标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO（blocking I/O）NI
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2