流程走通。（效果不行:数据集和数据标注都比较少）
This commit is contained in:
ShaoHua
+148
-404
@@ -1,3 +1,4 @@
|
||||
|
||||
# YOLO 模型测试流程指南
|
||||
|
||||
本文档基于知乎文章整理，帮助你从零开始完成一个 YOLO 目标检测项目的完整流程。
|
||||
@@ -9,10 +10,9 @@
|
||||
1. [环境准备](#1-环境准备)
|
||||
2. [数据收集与准备](#2-数据收集与准备)
|
||||
3. [数据标注](#3-数据标注)
|
||||
4. [数据格式转换](#4-数据格式转换)
|
||||
5. [数据集划分](#5-数据集划分)
|
||||
6. [模型训练](#6-模型训练)
|
||||
7. [模型评估与测试](#7-模型评估与测试)
|
||||
4. [配置数据集](#4-配置数据集)
|
||||
5. [模型训练](#5-模型训练)
|
||||
6. [模型评估与测试](#6-模型评估与测试)
|
||||
|
||||
***
|
||||
|
||||
@@ -20,7 +20,7 @@
|
||||
|
||||
### 1.1 安装 Python 环境
|
||||
|
||||
确保 Python 版本 >= 3.8
|
||||
确保 Python 版本 >= 3.8
|
||||
|
||||
```bash
|
||||
python --version
|
||||
@@ -30,11 +30,10 @@ python --version
|
||||
|
||||
为了避免影响全局 Python 环境，建议为项目创建独立的虚拟环境。
|
||||
|
||||
**方式一：使用 conda**
|
||||
**方式一：使用 conda
|
||||
|
||||
**首先安装 Anaconda 或 Miniconda：**
|
||||
|
||||
1. 下载 Miniconda（推荐，更轻量）：<https://docs.conda.io/en/latest/miniconda.html>
|
||||
1. 下载 Miniconda（推荐，更轻量）：<https://docs.conda.io/en/latest/miniconda.html>
|
||||
2. 运行安装程序，勾选 "Add Miniconda to PATH"（或安装后手动配置）
|
||||
3. 验证安装：
|
||||
|
||||
@@ -50,7 +49,7 @@ conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/ma
|
||||
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r
|
||||
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/msys2
|
||||
|
||||
//切换用清华的源
|
||||
# 切换用清华的源
|
||||
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
|
||||
|
||||
# 创建虚拟环境
|
||||
@@ -69,7 +68,6 @@ conda install -v pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c
|
||||
# pip 来安装 PyTorch 更稳定
|
||||
conda activate yolo_demo ; pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
|
||||
|
||||
|
||||
# 验证安装是否成功
|
||||
python -c "import torch; print(f'PyTorch版本: {torch.__version__}'); print(f'CUDA可用: {torch.cuda.is_available()}')"
|
||||
```
|
||||
@@ -81,15 +79,13 @@ conda env list
|
||||
```
|
||||
|
||||
**常见问题：**
|
||||
|
||||
如果遇到 `CondaToSNonInteractiveError` 错误，需要先运行上面的 `conda tos accept` 命令接受服务条款。
|
||||
|
||||
**验证虚拟环境已激活：**
|
||||
|
||||
激活后，终端提示符前会显示虚拟环境名称：
|
||||
|
||||
```bash
|
||||
(yolo_demo) D:\Codes\AI\Yolo\YoloDemo>
|
||||
(yolo_demo) D:\Codes\AI\Yolo\YoloDemo>
|
||||
```
|
||||
|
||||
**退出虚拟环境：**
|
||||
@@ -102,7 +98,7 @@ conda deactivate
|
||||
### 1.3 安装 YOLOv8（推荐）
|
||||
|
||||
```bash
|
||||
conda activate yolo_demo ;pip install ultralytics
|
||||
conda activate yolo_demo ; pip install ultralytics
|
||||
```
|
||||
|
||||
### 1.4 验证安装
|
||||
@@ -114,7 +110,7 @@ python -c "from ultralytics import YOLO; print('YOLOv8 安装成功')"
|
||||
### 1.5 检查 GPU 支持（可选但推荐）
|
||||
|
||||
```bash
|
||||
python -c "import torch; print(f'CUDA 可用: {torch.cuda.is_available()}')"
|
||||
python -c "import torch; print(f'CUDA可用: {torch.cuda.is_available()}')"
|
||||
```
|
||||
|
||||
***
|
||||
@@ -124,41 +120,28 @@ python -c "import torch; print(f'CUDA 可用: {torch.cuda.is_available()}')"
|
||||
### 2.1 确定检测目标
|
||||
|
||||
首先明确你要检测的类别，例如：
|
||||
|
||||
- car（汽车）
|
||||
- person（行人）
|
||||
- bicycle（自行车）
|
||||
|
||||
### 2.2 数据量建议
|
||||
|
||||
| 项目类型 | 每类最少图片 | 推荐图片数 |
|
||||
| ---- | --------- | ------ |
|
||||
| 快速原型 | 100-200 张 | 500 张 |
|
||||
| 项目类型 | 每类最少图片 | 推荐图片数 |
|
||||
| ---- | ------- | ------ |
|
||||
| 快速原型 | 100-200 张 | 500 张 |
|
||||
| 生产应用 | 1000 张 | 3000 张 |
|
||||
|
||||
### 2.3 数据来源
|
||||
|
||||
**方式一：使用公开数据集**
|
||||
|
||||
- COCO 数据集：<https://cocodataset.org>
|
||||
- <br />
|
||||
- Open Images：<https://storage.googleapis.com/openimages>
|
||||
- COCO 数据集：<https://cocodataset.org>
|
||||
- Open Images：<https://storage.googleapis.com/openimages>
|
||||
|
||||
**方式二：自己拍摄/收集图片**
|
||||
|
||||
- 确保图片清晰，目标可见
|
||||
- 覆盖不同场景、光照、角度
|
||||
- 统一格式为 JPG 或 PNG
|
||||
|
||||
### 2.4 创建数据目录结构
|
||||
|
||||
```bash
|
||||
mkdir -p dataset/images
|
||||
mkdir -p dataset/labels
|
||||
```
|
||||
|
||||
将收集的图片放入 `dataset/images` 目录。
|
||||
|
||||
***
|
||||
|
||||
## 3. 数据标注
|
||||
@@ -167,36 +150,21 @@ mkdir -p dataset/labels
|
||||
|
||||
推荐使用以下工具之一：
|
||||
|
||||
- **TjMakeBot**（在线工具，支持 AI 辅助标注）：<https://www.tjmakebot.com>
|
||||
- **VisioFirm**（推荐标注工具）⭐
|
||||
- **TjMakeBot**（在线工具，支持 AI 辅助标注）：<https://www.tjmakebot.com>
|
||||
- **LabelImg**（本地工具）
|
||||
- **Roboflow**（在线工具）
|
||||
|
||||
### 3.2 使用 LabelImg 标注（本地方式）
|
||||
**快速启动 VisioFirm：**
|
||||
|
||||
**安装 LabelImg：**
|
||||
|
||||
```bash
|
||||
pip install labelImg
|
||||
```powershell
|
||||
# 在项目根目录运行
|
||||
.\start_visiofirm.ps1
|
||||
```
|
||||
|
||||
**启动 LabelImg：**
|
||||
详细的 VisioFirm 使用说明请查看：[VisioFirm 标注工具使用指南](./2.VisioFirm标注工具使用指南.md)
|
||||
|
||||
```bash
|
||||
labelImg
|
||||
```
|
||||
|
||||
**标注步骤：**
|
||||
|
||||
1. 打开 LabelImg
|
||||
2. 点击 "Open Dir" 选择图片目录
|
||||
3. 点击 "Change Save Dir" 设置标注保存目录
|
||||
4. **重要**：点击 "PascalVOC" 切换为 "YOLO" 格式
|
||||
5. 使用快捷键 `W` 绘制边界框
|
||||
6. 选择类别名称
|
||||
7. 点击 "Save" 保存标注
|
||||
8. 使用 `D` 键切换到下一张图片
|
||||
|
||||
### 3.3 YOLO 标注格式说明
|
||||
### 3.2 YOLO 标注格式说明
|
||||
|
||||
每张图片对应一个 `.txt` 文件，格式如下：
|
||||
|
||||
@@ -212,430 +180,206 @@ class_id center_x center_y width height
|
||||
```
|
||||
|
||||
**说明：**
|
||||
|
||||
- `class_id`：类别 ID（从 0 开始）
|
||||
- `center_x, center_y`：边界框中心点坐标（归一化 0-1）
|
||||
- `width, height`：边界框宽高（归一化 0-1）
|
||||
|
||||
***
|
||||
|
||||
## 4. 数据格式转换
|
||||
## 4. 配置数据集
|
||||
|
||||
### 4.1 验证标注文件
|
||||
### 4.1 数据集目录结构
|
||||
|
||||
创建验证脚本 `validate_dataset.py`：
|
||||
支持多种数据集组织方式：
|
||||
|
||||
```python
|
||||
import os
|
||||
from PIL import Image
|
||||
|
||||
def validate_yolo_dataset(dataset_dir):
|
||||
images_dir = os.path.join(dataset_dir, 'images')
|
||||
labels_dir = os.path.join(dataset_dir, 'labels')
|
||||
|
||||
errors = []
|
||||
image_files = [f for f in os.listdir(images_dir) if f.endswith(('.jpg', '.png'))]
|
||||
|
||||
for img_file in image_files:
|
||||
img_path = os.path.join(images_dir, img_file)
|
||||
label_file = os.path.splitext(img_file)[0] + '.txt'
|
||||
label_path = os.path.join(labels_dir, label_file)
|
||||
|
||||
if not os.path.exists(label_path):
|
||||
errors.append(f"缺失标注文件: {label_file}")
|
||||
continue
|
||||
|
||||
try:
|
||||
img = Image.open(img_path)
|
||||
img_width, img_height = img.size
|
||||
except Exception as e:
|
||||
errors.append(f"无法打开图片: {img_file}")
|
||||
continue
|
||||
|
||||
with open(label_path, 'r') as f:
|
||||
for line_num, line in enumerate(f, 1):
|
||||
line = line.strip()
|
||||
if not line:
|
||||
continue
|
||||
|
||||
parts = line.split()
|
||||
if len(parts) != 5:
|
||||
errors.append(f"{label_file}: 格式错误")
|
||||
continue
|
||||
|
||||
try:
|
||||
class_id = int(parts[0])
|
||||
center_x = float(parts[1])
|
||||
center_y = float(parts[2])
|
||||
width = float(parts[3])
|
||||
height = float(parts[4])
|
||||
|
||||
if not (0 <= center_x <= 1 and 0 <= center_y <= 1):
|
||||
errors.append(f"{label_file}: 坐标超出范围")
|
||||
except ValueError:
|
||||
errors.append(f"{label_file}: 数字解析错误")
|
||||
|
||||
if errors:
|
||||
print("发现错误：")
|
||||
for error in errors[:10]:
|
||||
print(f" - {error}")
|
||||
else:
|
||||
print("验证通过！")
|
||||
|
||||
if __name__ == '__main__':
|
||||
validate_yolo_dataset('./dataset')
|
||||
**方式一：VisioFirm 导出（推荐）**
|
||||
```
|
||||
dataset/tags/visiofirm/20260505_01/
|
||||
├── data.yaml
|
||||
├── train/images/
|
||||
├── train/labels/
|
||||
├── val/images/
|
||||
├── val/labels/
|
||||
└── test/images/
|
||||
└── test/labels/
|
||||
```
|
||||
|
||||
运行验证：
|
||||
|
||||
```bash
|
||||
python validate_dataset.py
|
||||
**方式二：LabelImg 标注**
|
||||
```
|
||||
dataset/tags/LabelImg/20260505_01/
|
||||
├── data.yaml
|
||||
├── train/images/
|
||||
├── train/labels/
|
||||
├── val/images/
|
||||
├── val/labels/
|
||||
└── test/images/
|
||||
└── test/labels/
|
||||
```
|
||||
|
||||
### 4.2 创建数据集配置文件
|
||||
### 4.2 配置 dataset.yaml
|
||||
|
||||
创建 `dataset.yaml` 文件：
|
||||
在项目根目录创建 `dataset.yaml` 文件，配置示例见：[configs/dataset-traditional.yaml](../configs/dataset-traditional.yaml)
|
||||
|
||||
**关键配置项：**
|
||||
- `path`: 数据集根目录（支持相对路径）
|
||||
- `train`: 训练集图片目录（相对于 path）
|
||||
- `val`: 验证集图片目录（相对于 path）
|
||||
- `test`: 测试集图片目录（相对于 path）
|
||||
- `nc`: 类别数量
|
||||
- `names`: 类别名称列表
|
||||
|
||||
**示例配置：**
|
||||
```yaml
|
||||
path: ./dataset
|
||||
train: images/train
|
||||
val: images/val
|
||||
test: images/test
|
||||
|
||||
nc: 3
|
||||
path: ./dataset/tags/visiofirm/20260505_01
|
||||
train: train/images
|
||||
val: val/images
|
||||
test: test/images
|
||||
|
||||
nc: 2
|
||||
names:
|
||||
0: car
|
||||
1: person
|
||||
2: bicycle
|
||||
- person
|
||||
- bicycle
|
||||
```
|
||||
|
||||
**注意：** 根据你的实际类别修改 `nc` 和 `names`。
|
||||
### 4.3 验证数据集
|
||||
|
||||
***
|
||||
|
||||
## 5. 数据集划分
|
||||
|
||||
### 5.1 创建划分脚本
|
||||
|
||||
创建 `split_dataset.py`：
|
||||
|
||||
```python
|
||||
import os
|
||||
import shutil
|
||||
import random
|
||||
|
||||
def split_dataset(source_dir, train_ratio=0.7, val_ratio=0.15, test_ratio=0.15, seed=42):
|
||||
random.seed(seed)
|
||||
|
||||
images_dir = os.path.join(source_dir, 'images')
|
||||
labels_dir = os.path.join(source_dir, 'labels')
|
||||
|
||||
images = [f for f in os.listdir(images_dir) if f.endswith(('.jpg', '.png'))]
|
||||
random.shuffle(images)
|
||||
|
||||
total = len(images)
|
||||
train_end = int(total * train_ratio)
|
||||
val_end = train_end + int(total * val_ratio)
|
||||
|
||||
train_images = images[:train_end]
|
||||
val_images = images[train_end:val_end]
|
||||
test_images = images[val_end:]
|
||||
|
||||
print(f"总图片数: {total}")
|
||||
print(f"训练集: {len(train_images)}")
|
||||
print(f"验证集: {len(val_images)}")
|
||||
print(f"测试集: {len(test_images)}")
|
||||
|
||||
for split, img_list in [('train', train_images), ('val', val_images), ('test', test_images)]:
|
||||
split_images_dir = os.path.join(source_dir, 'images', split)
|
||||
split_labels_dir = os.path.join(source_dir, 'labels', split)
|
||||
|
||||
os.makedirs(split_images_dir, exist_ok=True)
|
||||
os.makedirs(split_labels_dir, exist_ok=True)
|
||||
|
||||
for img in img_list:
|
||||
shutil.copy(os.path.join(images_dir, img), os.path.join(split_images_dir, img))
|
||||
|
||||
label_name = os.path.splitext(img)[0] + '.txt'
|
||||
src_label = os.path.join(labels_dir, label_name)
|
||||
dst_label = os.path.join(split_labels_dir, label_name)
|
||||
|
||||
if os.path.exists(src_label):
|
||||
shutil.copy(src_label, dst_label)
|
||||
|
||||
print("数据集划分完成！")
|
||||
|
||||
if __name__ == '__main__':
|
||||
split_dataset('./dataset')
|
||||
```
|
||||
|
||||
### 5.2 执行划分
|
||||
使用 [src/validate_dataset.py](../src/validate_dataset.py) 脚本验证数据集：
|
||||
|
||||
```bash
|
||||
python split_dataset.py
|
||||
```
|
||||
|
||||
### 5.3 验证划分结果
|
||||
|
||||
```bash
|
||||
ls dataset/images/train
|
||||
ls dataset/images/val
|
||||
ls dataset/images/test
|
||||
python src/validate_dataset.py
|
||||
```
|
||||
|
||||
***
|
||||
|
||||
## 6. 模型训练
|
||||
## 5. 模型训练
|
||||
|
||||
### 6.1 创建训练脚本
|
||||
### 5.1 开始训练
|
||||
|
||||
创建 `train.py`：
|
||||
|
||||
```python
|
||||
from ultralytics import YOLO
|
||||
import torch
|
||||
|
||||
device = 'cuda' if torch.cuda.is_available() else 'cpu'
|
||||
print(f"使用设备: {device}")
|
||||
|
||||
model = YOLO('yolov8n.pt')
|
||||
|
||||
results = model.train(
|
||||
data='dataset.yaml',
|
||||
epochs=100,
|
||||
imgsz=640,
|
||||
batch=16,
|
||||
device=device,
|
||||
lr0=0.01,
|
||||
patience=50,
|
||||
save=True,
|
||||
plots=True,
|
||||
project='runs/detect',
|
||||
name='my_model',
|
||||
exist_ok=True,
|
||||
)
|
||||
|
||||
print("训练完成！")
|
||||
print(f"最佳模型保存在: runs/detect/my_model/weights/best.pt")
|
||||
```
|
||||
|
||||
### 6.2 开始训练
|
||||
使用 [src/train.py](../src/train.py) 脚本训练模型：
|
||||
|
||||
```bash
|
||||
python train.py
|
||||
python src/train.py
|
||||
```
|
||||
|
||||
### 6.3 训练参数说明
|
||||
常用参数：
|
||||
- `--config`: dataset.yaml 配置文件路径（默认使用项目根目录）
|
||||
- `--model`: 预训练模型（默认: yolov8n.pt）
|
||||
- `--epochs`: 训练轮数（默认: 100）
|
||||
- `--batch`: 批次大小（默认: 16）
|
||||
- `--imgsz`: 输入图片尺寸（默认: 640）
|
||||
- `--lr`: 初始学习率（默认: 0.01）
|
||||
- `--device`: 设备（cuda/cpu，默认自动检测）
|
||||
|
||||
| 参数 | 说明 | 建议值 |
|
||||
| -------- | ------ | ----------- |
|
||||
| epochs | 训练轮数 | 100-300 |
|
||||
| imgsz | 输入图片尺寸 | 640 |
|
||||
| batch | 批次大小 | 根据 GPU 内存调整 |
|
||||
| lr0 | 初始学习率 | 0.01 |
|
||||
| patience | 早停耐心值 | 50 |
|
||||
### 5.2 模型选择建议
|
||||
|
||||
### 6.4 模型选择建议
|
||||
|
||||
| 模型 | 参数量 | 速度 | 精度 | 适用场景 |
|
||||
| ------- | ----- | -- | -- | ---- |
|
||||
| yolov8n | 3.2M | 最快 | 较低 | 实时检测 |
|
||||
| yolov8s | 11.2M | 快 | 中等 | 平衡 |
|
||||
| 模型 | 参数量 | 速度 | 精度 | 适用场景 |
|
||||
| ---- | ----- | -- | -- | ---- |
|
||||
| yolov8n | 3.2M | 最快 | 较低 | 实时检测 |
|
||||
| yolov8s | 11.2M | 快 | 中等 | 平衡 |
|
||||
| yolov8m | 25.9M | 中等 | 较高 | 生产环境 |
|
||||
| yolov8l | 43.7M | 较慢 | 高 | 高精度 |
|
||||
| yolov8l | 43.7M | 较慢 | 高 | 高精度 |
|
||||
|
||||
***
|
||||
|
||||
## 7. 模型评估与测试
|
||||
## 6. 模型评估与测试
|
||||
|
||||
### 7.1 评估模型
|
||||
### 6.1 评估模型
|
||||
|
||||
创建 `evaluate.py`：
|
||||
|
||||
```python
|
||||
from ultralytics import YOLO
|
||||
|
||||
model = YOLO('runs/detect/my_model/weights/best.pt')
|
||||
|
||||
metrics = model.val(data='dataset.yaml', split='val')
|
||||
|
||||
print("=" * 50)
|
||||
print("模型评估结果")
|
||||
print("=" * 50)
|
||||
print(f"mAP50: {metrics.box.map50:.4f}")
|
||||
print(f"mAP50-95: {metrics.box.map:.4f}")
|
||||
print(f"Precision: {metrics.box.mp:.4f}")
|
||||
print(f"Recall: {metrics.box.mr:.4f}")
|
||||
print("=" * 50)
|
||||
```
|
||||
|
||||
运行评估：
|
||||
使用 [src/evaluate.py](../src/evaluate.py) 脚本评估模型：
|
||||
|
||||
```bash
|
||||
python evaluate.py
|
||||
python src/evaluate.py
|
||||
```
|
||||
|
||||
### 7.2 测试单张图片
|
||||
**特点：**
|
||||
- 自动查找最新训练的模型（无需手动指定路径）
|
||||
- 支持从多个可能的位置查找已保存模型
|
||||
|
||||
创建 `predict.py`：
|
||||
参数：
|
||||
- `--model`: 模型路径（默认：自动查找最新模型）
|
||||
- `--config`: dataset.yaml 配置文件路径（默认使用项目根目录）
|
||||
- `--split`: 评估集（train/val/test，默认: val）
|
||||
|
||||
```python
|
||||
from ultralytics import YOLO
|
||||
### 6.2 预测
|
||||
|
||||
model = YOLO('runs/detect/my_model/weights/best.pt')
|
||||
|
||||
results = model('dataset/images/test/test_image.jpg', save=True, conf=0.25)
|
||||
|
||||
for result in results:
|
||||
boxes = result.boxes
|
||||
for i in range(len(boxes)):
|
||||
class_name = model.names[int(boxes.cls[i])]
|
||||
conf = boxes.conf[i]
|
||||
print(f"检测到: {class_name}, 置信度: {conf:.2f}")
|
||||
```
|
||||
|
||||
运行测试：
|
||||
使用 [src/predict.py](../src/predict.py) 脚本进行预测：
|
||||
|
||||
```bash
|
||||
python predict.py
|
||||
python src/predict.py
|
||||
```
|
||||
|
||||
### 7.3 批量测试
|
||||
**特点：**
|
||||
- 自动查找最新训练的模型（无需手动指定路径）
|
||||
- 自动从 dataset.yaml 读取测试集路径
|
||||
|
||||
```python
|
||||
from ultralytics import YOLO
|
||||
参数：
|
||||
- `--model`: 模型路径（默认：自动查找最新模型）
|
||||
- `--source`: 预测源（图片/目录，默认：读取 dataset.yaml）
|
||||
- `--conf`: 置信度阈值（默认: 0.25）
|
||||
- `--nosave`: 不保存结果（默认保存）
|
||||
|
||||
model = YOLO('runs/detect/my_model/weights/best.pt')
|
||||
### 6.3 模型导出为 ONNX 格式
|
||||
|
||||
results = model('dataset/images/test', save=True, conf=0.25)
|
||||
使用 [src/export_onnx.py](../src/export_onnx.py) 脚本将 PyTorch (.pt) 模型导出为 ONNX 格式：
|
||||
|
||||
```bash
|
||||
python src/export_onnx.py
|
||||
```
|
||||
|
||||
### 7.4 性能基准
|
||||
**特点：**
|
||||
- 自动查找最新训练的模型（无需手动指定路径）
|
||||
- 支持模型简化，减小文件体积
|
||||
- 可自定义输入尺寸和 ONNX opset 版本
|
||||
|
||||
| 应用场景 | mAP50 目标 | mAP50-95 目标 |
|
||||
| ----- | -------- | ----------- |
|
||||
| 快速原型 | > 0.5 | > 0.3 |
|
||||
| 生产环境 | > 0.7 | > 0.5 |
|
||||
| 高精度应用 | > 0.9 | > 0.7 |
|
||||
参数：
|
||||
- `--model`: 模型路径（默认：自动查找最新模型）
|
||||
- `--imgsz`: 输入图片尺寸（默认: 640）
|
||||
- `--simplify`: 简化模型（默认: True）
|
||||
- `--no-simplify`: 不简化模型
|
||||
- `--opset`: ONNX opset 版本（默认: 12）
|
||||
|
||||
***
|
||||
**使用示例：**
|
||||
```bash
|
||||
# 导出最新训练的模型（自动查找）
|
||||
python src/export_onnx.py
|
||||
|
||||
## 常见问题排查
|
||||
# 导出指定模型
|
||||
python src/export_onnx.py --model runs/detect/my_model/weights/best.pt
|
||||
|
||||
### 问题 1：Loss 不下降
|
||||
# 自定义输入尺寸
|
||||
python src/export_onnx.py --imgsz 1280
|
||||
|
||||
**解决方案：**
|
||||
# 不简化模型
|
||||
python src/export_onnx.py --no-simplify
|
||||
|
||||
- 调整学习率（尝试 0.001-0.01）
|
||||
- 检查数据质量
|
||||
- 尝试更大的模型
|
||||
|
||||
### 问题 2：过拟合
|
||||
|
||||
**解决方案：**
|
||||
|
||||
- 增加数据量
|
||||
- 使用更小的模型
|
||||
- 启用更多数据增强
|
||||
|
||||
### 问题 3：训练很慢
|
||||
|
||||
**解决方案：**
|
||||
|
||||
- 使用 GPU 训练
|
||||
- 增大批次大小
|
||||
- 减小图片尺寸
|
||||
|
||||
***
|
||||
|
||||
## 目录结构总结
|
||||
|
||||
完成后的目录结构：
|
||||
|
||||
```
|
||||
project/
|
||||
├── venv/ # 虚拟环境目录（不应提交到版本控制）
|
||||
├── dataset/
|
||||
│ ├── images/
|
||||
│ │ ├── train/
|
||||
│ │ ├── val/
|
||||
│ │ └── test/
|
||||
│ └── labels/
|
||||
│ ├── train/
|
||||
│ ├── val/
|
||||
│ └── test/
|
||||
├── dataset.yaml
|
||||
├── train.py
|
||||
├── evaluate.py
|
||||
├── predict.py
|
||||
├── split_dataset.py
|
||||
└── validate_dataset.py
|
||||
# 自定义 opset 版本
|
||||
python src/export_onnx.py --opset 17
|
||||
```
|
||||
|
||||
***
|
||||
|
||||
## 快速开始命令汇总
|
||||
|
||||
```bash
|
||||
# 创建并激活虚拟环境
|
||||
python -m venv venv
|
||||
venv\Scripts\activate
|
||||
|
||||
# 安装依赖
|
||||
pip install ultralytics
|
||||
|
||||
# 后续步骤
|
||||
python validate_dataset.py
|
||||
python split_dataset.py
|
||||
python train.py
|
||||
python evaluate.py
|
||||
python predict.py
|
||||
```
|
||||
|
||||
***
|
||||
|
||||
## 一键运行环境准备
|
||||
|
||||
项目已提供 `run_demo.py` 脚本，可一键完成环境搭建：
|
||||
**注意：请在项目根目录（YoloDemo）下运行以下命令**
|
||||
|
||||
```bash
|
||||
python run_demo.py
|
||||
```
|
||||
# 1. 配置 dataset.yaml（首次使用）
|
||||
# 复制 configs/dataset-traditional.yaml 到项目根目录，修改 path 指向你的数据集
|
||||
|
||||
该脚本会自动完成：
|
||||
# 2. 验证数据集
|
||||
python src/validate_dataset.py
|
||||
|
||||
1. 检查 Python 版本
|
||||
2. 创建虚拟环境
|
||||
3. 安装 ultralytics 依赖
|
||||
4. 验证安装
|
||||
5. 检查 GPU 支持
|
||||
# 3. 训练模型
|
||||
python src/train.py
|
||||
|
||||
## 在 VS Code 中直接运行代码
|
||||
# 4. 评估模型（自动查找最新训练好的模型）
|
||||
python src/evaluate.py
|
||||
|
||||
### 方法一：使用 Code Runner 插件
|
||||
# 5. 预测（自动查找最新模型）
|
||||
python src/predict.py
|
||||
|
||||
1. 打开 VS Code，搜索并安装 `Code Runner` 插件
|
||||
2. 将光标放在代码块内，点击右上角的 ▶️ 按钮运行
|
||||
|
||||
### 方法二：右键运行
|
||||
|
||||
在代码块内右键，选择 "Run Code" 或使用快捷键 `Ctrl+Alt+N`
|
||||
|
||||
### 方法三：终端运行
|
||||
|
||||
```bash
|
||||
# 进入项目目录
|
||||
cd .
|
||||
|
||||
# 激活虚拟环境
|
||||
venv\Scripts\activate
|
||||
|
||||
# 运行脚本
|
||||
python run_demo.py
|
||||
python validate_dataset.py
|
||||
python split_dataset.py
|
||||
python train.py
|
||||
# 6. 导出为 ONNX 格式（自动查找最新模型）
|
||||
python src/export_onnx.py
|
||||
```
|
||||
|
||||
***
|
||||
|
||||
@@ -0,0 +1,352 @@
|
||||
|
||||
# VisioFirm 标注工具使用指南
|
||||
|
||||
本指南将帮助你使用 VisioFirm 进行 YOLO 目标检测数据标注。
|
||||
|
||||
***
|
||||
|
||||
## 目录
|
||||
|
||||
1. [VisioFirm 简介](#1-visiofirm-简介)
|
||||
2. [安装与启动](#2-安装与启动)
|
||||
3. [项目设置](#3-项目设置)
|
||||
4. [标注操作](#4-标注操作)
|
||||
5. [导出 YOLO 格式](#5-导出-yolo-格式)
|
||||
6. [使用导出数据](#6-使用导出数据)
|
||||
7. [快捷键](#7-快捷键)
|
||||
|
||||
***
|
||||
|
||||
## 1. VisioFirm 简介
|
||||
|
||||
VisioFirm 是一款开源、跨平台的 AI 辅助图像标注工具，专为计算机视觉任务设计。
|
||||
|
||||
**官方链接：**
|
||||
|
||||
- GitHub 仓库：<https://github.com/OschAI/VisioFirm>
|
||||
- PyPI 项目：<https://pypi.org/project/visiofirm/>
|
||||
- 论文地址：<https://arxiv.org/abs/2509.04180>
|
||||
|
||||
**主要特性：**
|
||||
|
||||
- AI 驱动的预标注（YOLO、SAM2、Grounding DINO），节省高达 80% 人工标注
|
||||
- 支持多种标注格式：YOLO、COCO、PascalVOC 等
|
||||
- 自动划分训练/验证/测试集
|
||||
- 支持视频标注和标签传播
|
||||
- 直观的用户界面
|
||||
- 批量处理功能
|
||||
- 标注验证和预览
|
||||
- 支持分类、目标检测、分割任务
|
||||
|
||||
***
|
||||
|
||||
## 2. 安装与启动
|
||||
|
||||
### 2.1 系统要求
|
||||
|
||||
- Python 3.10 或更高版本
|
||||
- 推荐使用 CUDA 11.8（如需 GPU 加速）
|
||||
- 16GB 或更多内存
|
||||
|
||||
### 2.2 安装（推荐方式：pip）
|
||||
|
||||
**注意：** VisioFirm 直接安装在项目的 `yolo_demo` 环境中，无需创建新环境。
|
||||
|
||||
1. 激活项目虚拟环境：
|
||||
```bash
|
||||
conda activate yolo_demo
|
||||
```
|
||||
2. 设置 UTF-8 环境变量（Windows 中文环境必须）：
|
||||
```powershell
|
||||
# PowerShell
|
||||
$env:PYTHONUTF8=1
|
||||
```
|
||||
3. 使用 pip 安装 VisioFirm：
|
||||
```bash
|
||||
pip install visiofirm
|
||||
```
|
||||
|
||||
**或者使用一键启动脚本：**
|
||||
|
||||
```powershell
|
||||
.\start_visiofirm.ps1
|
||||
```
|
||||
|
||||
### 2.3 启动 VisioFirm
|
||||
|
||||
**方法一：使用一键启动脚本（推荐）**
|
||||
|
||||
直接运行项目根目录下的启动脚本：
|
||||
|
||||
```powershell
|
||||
.\start_visiofirm.ps1
|
||||
```
|
||||
|
||||
**方法二：手动启动**
|
||||
|
||||
1. 激活环境并设置 UTF-8：
|
||||
```powershell
|
||||
conda activate yolo_demo
|
||||
$env:PYTHONUTF8=1
|
||||
```
|
||||
2. 启动 VisioFirm：
|
||||
```bash
|
||||
visiofirm
|
||||
```
|
||||
|
||||
启动后，浏览器会自动打开 VisioFirm 界面（通常是 [http://localhost:8000）。>](http://localhost:8000）。>)
|
||||
|
||||
***
|
||||
|
||||
## 3. 项目设置
|
||||
|
||||
### 3.1 创建新项目
|
||||
|
||||
1. 打开 VisioFirm
|
||||
2. 点击 **"New Project"** 或 **"创建新项目"**
|
||||
3. 输入项目名称（如：YOLO_Demo）
|
||||
4. 选择项目保存位置
|
||||
|
||||
### 3.2 配置项目
|
||||
|
||||
**导入图片：**
|
||||
|
||||
1. 点击 **"Import Images"** 或 **"导入图片"**
|
||||
2. 选择你的图片文件夹
|
||||
3. 选择要标注的图片文件（可全选）
|
||||
|
||||
**设置类别：**
|
||||
|
||||
1. 点击 **"Classes"** 或 **"类别"** 标签
|
||||
2. 点击 **"Add Class"** 或 **"添加类别"**
|
||||
3. 输入类别名称（如：car, person, bicycle）
|
||||
4. 为每个类别选择颜色（便于区分）
|
||||
5. 保存类别配置
|
||||
|
||||
示例类别配置：
|
||||
|
||||
```
|
||||
0: person (行人)
|
||||
1: bicycle (自行车)
|
||||
```
|
||||
|
||||
**数据集划分设置（可选）：**
|
||||
|
||||
VisioFirm 在导出时会自动将数据集划分为 train/val/test。默认划分比例：
|
||||
- 训练集（train）：70%
|
||||
- 验证集（val）：15%
|
||||
- 测试集（test）：15%
|
||||
|
||||
***
|
||||
|
||||
## 4. 标注操作
|
||||
|
||||
### 4.1 基本标注步骤
|
||||
|
||||
1. 从左侧图片列表中选择要标注的图片
|
||||
2. 选择标注工具（通常是矩形框工具）
|
||||
3. 在图片上拖动鼠标绘制边界框，框选目标
|
||||
4. 从类别列表中选择对应的类别
|
||||
5. 确认标注无误后，点击保存或自动保存
|
||||
|
||||
### 4.2 标注技巧
|
||||
|
||||
**精确框选：**
|
||||
|
||||
- 尽量紧贴目标边缘绘制边界框
|
||||
- 避免框选过多背景
|
||||
- 对于部分遮挡的目标，仍然标注可见部分
|
||||
|
||||
**类别一致性：**
|
||||
|
||||
- 保持同类目标标注标准一致
|
||||
- 对于模糊不清的目标，可以选择跳过或标记为不确定
|
||||
|
||||
**标注顺序：**
|
||||
|
||||
- 按类别顺序标注，减少类别切换
|
||||
- 使用快捷键提高效率
|
||||
|
||||
**AI 预标注（推荐）：**
|
||||
|
||||
VisioFirm 支持 AI 预标注功能，可以大幅提高标注效率：
|
||||
1. 点击 AI 预标注按钮
|
||||
2. 选择合适的模型（如 YOLO）
|
||||
3. 自动生成标注框
|
||||
4. 人工检查和修正
|
||||
|
||||
***
|
||||
|
||||
## 5. 导出 YOLO 格式
|
||||
|
||||
### 5.1 导出设置
|
||||
|
||||
1. 完成标注后，点击 **"Export"** 或 **"导出"**
|
||||
2. 选择 **"YOLO"** 格式
|
||||
3. 设置导出选项：
|
||||
- 导出路径：选择项目内的 `dataset/tags/visiofirm/` 目录
|
||||
- 勾选 "自动划分 train/val/test"
|
||||
- 类别映射：确认类别名称正确
|
||||
- 坐标格式：选择归一化坐标（0-1）
|
||||
4. 可以选择导出为 ZIP 压缩包或文件夹
|
||||
|
||||
### 5.2 执行导出
|
||||
|
||||
1. 点击 **"Export"** 或 **"开始导出"**
|
||||
2. 等待导出完成
|
||||
3. 导出完成后，会在 `dataset/tags/visiofirm/` 目录下生成新文件夹（如 `20260505_01/`）
|
||||
|
||||
### 5.3 导出结果说明
|
||||
|
||||
导出后，目录结构如下：
|
||||
|
||||
```
|
||||
dataset/tags/visiofirm/
|
||||
├── 20260505_01/ # 每次导出会生成带日期的文件夹
|
||||
│ ├── data.yaml # 数据集配置文件（VisioFirm 格式）
|
||||
│ ├── train/
|
||||
│ │ ├── images/ # 训练集图片
|
||||
│ │ └── labels/ # 训练集标注
|
||||
│ ├── val/
|
||||
│ │ ├── images/ # 验证集图片
|
||||
│ │ └── labels/ # 验证集标注
|
||||
│ └── test/
|
||||
│ ├── images/ # 测试集图片
|
||||
│ └── labels/ # 测试集标注
|
||||
└── 1_YOLO.zip # ZIP 压缩包（可选）
|
||||
```
|
||||
|
||||
**标注文件格式：**
|
||||
|
||||
```
|
||||
class_id center_x center_y width height
|
||||
```
|
||||
|
||||
**示例：**
|
||||
|
||||
```
|
||||
0 0.5 0.5 0.3 0.4
|
||||
1 0.2 0.3 0.1 0.2
|
||||
```
|
||||
|
||||
**说明：**
|
||||
|
||||
- `class_id`：类别 ID（从 0 开始）
|
||||
- `center_x, center_y`：边界框中心点坐标（归一化 0-1）
|
||||
- `width, height`：边界框宽高（归一化 0-1）
|
||||
|
||||
***
|
||||
|
||||
## 6. 使用导出数据
|
||||
|
||||
### 6.1 配置项目
|
||||
|
||||
1. 复制 `configs/dataset-traditional.yaml` 到项目根目录，重命名为 `dataset.yaml`
|
||||
2. 编辑 `dataset.yaml`，修改 `path` 指向刚导出的数据文件夹：
|
||||
|
||||
```yaml
|
||||
path: ./dataset/tags/visiofirm/20260505_01
|
||||
train: train/images
|
||||
val: val/images
|
||||
test: test/images
|
||||
|
||||
nc: 2
|
||||
names:
|
||||
- person
|
||||
- bicycle
|
||||
```
|
||||
|
||||
**注意：** `nc` 和 `names` 需要根据你实际标注的类别进行修改。
|
||||
|
||||
### 6.2 验证数据集
|
||||
|
||||
使用项目验证脚本检查导出的标注：
|
||||
|
||||
```bash
|
||||
python src/validate_dataset.py
|
||||
```
|
||||
|
||||
验证通过后，即可开始训练模型！
|
||||
|
||||
***
|
||||
|
||||
## 7. 快捷键
|
||||
|
||||
| 快捷键 | 功能 |
|
||||
| --------- | ------ |
|
||||
| `W` 或 `R` | 矩形框工具 |
|
||||
| `A` | 上一张图片 |
|
||||
| `D` | 下一张图片 |
|
||||
| `Ctrl+S` | 保存标注 |
|
||||
| `Ctrl+Z` | 撤销 |
|
||||
| `Ctrl+Y` | 重做 |
|
||||
| `Del` | 删除选中的框 |
|
||||
| `Esc` | 取消当前操作 |
|
||||
| `Space` | 平移画布 |
|
||||
| `鼠标滚轮` | 缩放 |
|
||||
|
||||
**注意：** 具体快捷键可能因 VisioFirm 版本不同而略有差异，请以实际软件为准。
|
||||
|
||||
***
|
||||
|
||||
## 8. 标注质量检查
|
||||
|
||||
完成标注后，建议进行以下检查：
|
||||
|
||||
1. **完整性检查**
|
||||
- 确认所有图片都已标注
|
||||
- 确认所有目标都已框选
|
||||
|
||||
2. **准确性检查**
|
||||
- 检查边界框是否准确
|
||||
- 检查类别是否正确
|
||||
|
||||
3. **格式验证**
|
||||
- 使用项目中的验证脚本检查标注格式：
|
||||
```bash
|
||||
python src/validate_dataset.py
|
||||
```
|
||||
|
||||
***
|
||||
|
||||
## 9. 常见问题
|
||||
|
||||
### Q: VisioFirm 如何获取？
|
||||
|
||||
A: 推荐使用 pip 安装：`pip install visiofirm`，详细步骤见"安装与启动"章节。
|
||||
也可以访问 GitHub 仓库：<https://github.com/OschAI/VisioFirm> 获取源码。
|
||||
|
||||
### Q: VisioFirm 是免费的吗？
|
||||
|
||||
A: 是的，VisioFirm 是开源软件，采用 Apache-2.0 许可证，完全免费使用。
|
||||
|
||||
### Q: 导出后如何使用这些数据？
|
||||
|
||||
A: 导出的数据已经自动划分好 train/val/test。
|
||||
只需修改项目根目录的 `dataset.yaml` 中的 `path` 指向导出文件夹即可开始训练。
|
||||
|
||||
### Q: 如何批量处理图片？
|
||||
|
||||
A: VisioFirm 支持批量导入图片，可以一次选择多张或整个文件夹进行标注。
|
||||
导出时也支持批量导出所有标注。
|
||||
|
||||
### Q: 标注过程中如何暂停和继续？
|
||||
|
||||
A: VisioFirm 会自动保存进度，关闭浏览器标签页后重新打开 <http://localhost:8000> 即可继续。
|
||||
|
||||
### Q: 如何修改已有标注？
|
||||
|
||||
A: 选择要修改的框，可以拖动调整位置或大小，也可以删除后重新标注。
|
||||
对于 AI 预标注的结果，可以直接进行修正。
|
||||
|
||||
### Q: 遇到技术问题怎么办？
|
||||
|
||||
A: 可以在 GitHub Issues 页面提交问题：<https://github.com/OschAI/VisioFirm/issues>
|
||||
|
||||
***
|
||||
|
||||
## 下一步
|
||||
|
||||
标注完成后，请继续参考 [YOLO 模型测试流程指南](./1.YOLO模型测试流程指南.md) 进行模型训练。
|
||||
|
||||
祝你标注顺利！
|
||||
Reference in New Issue
Block a user