【目标检测】基于YOLO的多任务识别(道路状况)| labelimg标注

基于 YOLOv8 的多任务融合与端到端交通场景智能感知系统构建 在智能交通蓬勃发展的当下,构建一个能够精准感知交通场景中各类目标的智能系统至关重要。通过将车辆、行人、交通设施等多种目标识别任务进行融合,并打造端到端的系统,可实现对交通场景的全面、实时、高效感知。YOLOv8 作为先进的目标检测算法,在这一过程中发挥着关键作用。 阅读详情
AI摘要

博客介绍了yolov5、yolov8、yolov11的环境配置,可参考相关博客完成。进行了基础数据集训练,如用yolov5训练coco128、coco数据集。还讲解了自己标注数据集训练的步骤,包括准备工作、标注和训练,最后介绍了CULane数据集的处理,如提取和随机抽取照片。

目录

一、yolov5、yolov8、yolov11环境配置

二、基础数据集训练

三、自己标注数据集训练

1、准备工作

(1)标记数据文件夹结构

(2)安装labelimg

2.开始标注

3.开始训练

编写yaml配置文件

开始训练

检测模型

四、数据集介绍

1.提取所有照片

2.随机抽取部分照片


一、yolov5、yolov8、yolov11环境配置

其中pytorch环境配置可以参考我之前写的博客,里面有详细步骤:

PyTorch安装教程-优快云博客

关于yolo系列的下载,下面这篇博客有介绍:

Yolov5--模型解读+训练过程-优快云博客

yolov5下载链接:GitCode - 全球开发者的开源社区,开源代码托管平台

yolov8、yolov11下载链接:ultralytics/ultralytics: Ultralytics YOLO11 🚀

二、基础数据集训练

        这里我尝试了yolov5进行coco128、coco数据集训练,也做了yolov8、yolov11网络模型推理。最终所呈现的效果都差不多。yolov5里面有coco128、coco数据集的yaml参数文件,可以直接运行使用。

 python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt

        在此基础上修改需要训练的参数文件即可,同时一些训练参数、预训练模型都可以修改。以下是我训练之后得到的结果。

模型对比
yolov5syolov5s+coco128yolov5s+coco
yolov8nyolov11n
yolov5syolov5s+coco128yolov5s+coco
yolov8nyolov11n

三、自己标注数据集训练

1、准备工作

(1)标记数据文件夹结构

        首先需要在根文件夹下创建datasets文件夹,然后在其中创建roadDetect文件夹。roadDetect文件夹里面创建两个文件夹(images和labels)。images和labels里面分别创建train和val文件夹。其文件夹结构如下图所示。

(2)安装labelimg

conda创建一个新的虚拟环境,在该环境下安装labelimg

然后在该环境下输入labelimg即可打开标注程序。

2.开始标注

快捷键介绍
w开始标注
a前一张
d后一张

        配置好后就可以进行标注了。可以直接把需要标注的图片放到images文件夹下,生成的txt直接保存到labels文件夹下。当然得对应相应的训练集和验证集。训练集照片对应训练集的txt,验证集的照片对应测试集的txt。也就是说images和labels文件夹下的train和val是相互对应的。

        这次任务我主要是标注的道路中间的白虚线、一些交通标志物和路灯。当然人、车这些也进行了标注。其中我一共分了7类。

  1. car
  2. zebra
  3. sign
  4. streetlight
  5. center_line
  6. person
  7. arrow

        标注比较耗时,最终标注完后,要确保images和labels的照片和txt文件要一一对应否则后面训练会报错。

3.开始训练

  • 编写yaml配置文件

        在根目录的data文件夹下创建roadDetect.yaml参数文件,配置内容如下:

path: C:/Users/Xzwzh/Desktop/yolov5-master/datasets/roadDetect
train:
  - images/train
val:
  - images/val

# Classes
names: ['car', 'zebra', 'sign', 'streetlight', 'center_line', 'person', 'arrow', 'w']

        配置路径和类就可以了。

  • 开始训练

python train.py --img 640 --batch 16 --epoch 200 --data data/roadDetect.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt 

   我是在yolov5s的基础上进行训练的,由于数据量较小,我训练了200轮。

        训练完之后再根目录 /run/train 目录下生成权重等文件

  • 检测模型

python detect.py --weights ./runs/train/roadDect_200epochs/weights/best.pt --source ./data/images 

结果如下:

  

  

  

  

四、数据集介绍

        我用的是CULane 数据集,这个是行车记录仪记录的照片。我只用了一小部分。

CULane数据集(v1.0)-优快云博客

        我是根据上面这篇博客下载的CULane数据集。

        我下载的这个数据集,解压之后是这种格式:

随后我利用python脚本处理数据。

1.提取所有照片

import os
import shutil


def rename_and_move_photos(source_dir, target_dir):
    # 如果目标文件夹不存在,创建目标文件夹
    if not os.path.exists(target_dir):
        os.makedirs(target_dir)

    # 计数器,用于重新命名照片
    counter = 1

    # 遍历源目录中的所有文件夹
    for root, dirs, files in os.walk(source_dir):
        # 遍历每个文件夹中的文件
        for file in files:
            # 如果文件是 jpg 图片
            if file.lower().endswith('.jpg'):
                # 构建源文件的完整路径
                source_path = os.path.join(root, file)

                # 新的文件名
                new_name = f"{counter:04d}.jpg"  # 例如 photo_0001.jpg
                target_path = os.path.join(target_dir, new_name)

                # 移动并重命名文件
                shutil.copy2(source_path, target_path)

                # 更新计数器
                counter += 1

    print(f"共提取并重命名了 {counter - 1} 张图片。")


# 示例使用,使用绝对路径
source_directory = "D:/CULane/driver_100_30frame/driver_100_30frame"  # 这里填写源文件夹的绝对路径
target_directory = "C:/Users/Xzwzh/Desktop/道路数据集/train"  # 这里填写目标文件夹的绝对路径

rename_and_move_photos(source_directory, target_directory)

2.随机抽取部分照片

import os
import random
import shutil


def random_select_and_rename(source_dir, target_dir, num_files):
    # 获取源文件夹中所有 jpg 文件
    jpg_files = [file for file in os.listdir(source_dir) if file.lower().endswith('.jpg')]

    # 如果文件夹中没有 jpg 文件,打印提示并退出
    if not jpg_files:
        print("源文件夹中没有 .jpg 文件。")
        return

    # 随机选择 num_files 张照片
    selected_files = random.sample(jpg_files, num_files)

    # 如果目标文件夹不存在,创建目标文件夹
    if not os.path.exists(target_dir):
        os.makedirs(target_dir)

    # 按顺序重命名并移动文件
    for index, file in enumerate(selected_files, start=1):
        # 构建源文件的完整路径
        source_path = os.path.join(source_dir, file)

        # 新的文件名
        new_name = f"{index:04d}.jpg"  # 例如 0001.jpg
        target_path = os.path.join(target_dir, new_name)

        # 复制并重命名文件
        shutil.copy2(source_path, target_path)

    print(f"已成功从 {source_dir} 中抽取 {num_files} 张照片,并重命名后移动到 {target_dir}。")


# 示例使用w
source_directory = "C:/Users/Xzwzh/Desktop/道路数据集/all"  # 源文件夹路径
target_directory = "C:/Users/Xzwzh/Desktop/道路数据集/train"  # 目标文件夹路径
num_files_to_select = 500  # 随机抽取的照片数量

random_select_and_rename(source_directory, target_directory, num_files_to_select)

标注工具 LabelImg 试用情况 LabelImg 是一款开源的影像标注工具,主要用于标注影像中的目标边界框、关键点、分割边界等信息。它是由 Python 编写的,并使用 Qt 作为其图形界面。经调研该工具结合 YoLoV5 算法模型可以进行目标识别和目标检测。(1)目标识别:是指在图像或视频中识别出特定类别的目标物体。它的目标是确定图像中是否存在目标,并将其分类为预定义的目标类别之一。对于遥感影像可以进行地物分类和识别: 通过目标识别和标注,可以对遥感图像中的地物进行分类和识别,如建筑物、道路、农田等。 阅读详情

相关推荐

YOLOPv2开源,目标检测&区域分割,多任务版本

尽管计算机视觉和深度学习取得了长足的发展,但基于视觉的任务(如物体检测、分割、车道检测等)在低成本自动驾驶的应用中仍然具有挑战性。最近已经努力建立一个强大的全景驾驶感知系统,这是自动驾驶的关键组成部分之一。全景驾驶感知系统通过摄像头或激光雷达等常见传感器,帮助自动驾驶车辆全面了解周围环境。基于相机的目标检测和分割任务通常在场景理解的实际使用中因其低成本而受到青睐。目标检测在提供交通障碍物的位置和大小信息方面发挥着重要作用,帮助自动驾驶汽车在行驶阶段做出准确及时的决策。...

hllyzms的博客 3593

YOLOv8多任务版本A-YOLOM开源!超越YOLOv8和YOLOP

作者|AI视界引擎 编辑| 自动驾驶Daily点击下方卡片,关注“自动驾驶之心”公众号ADAS巨卷干货,即可获取点击进入→自动驾驶之心【目标检测】技术交流群本文只做学术分享,如有侵权,联系删文导读本文作者提出了A-YOLOM,一个专门设计用于多任务的自适应模型,该模型在不需要任何特定的自定义结构或损失函数的情况下运行。高精度、轻量级和实时响应性是实施自动驾驶的三个重要要求。同时考虑所有这...

CV_Autobot的博客 5124

《YOLO 标注工具全览》:此文为AI自动生成

LabelImg 是最为常用的 YOLO 标注工具之一。然而,它经常莫名其妙地闪退,稳定性较差。尽管如此,LabelImg 在图像检测任务数据集制作方面仍发挥着重要作用。它支持多种标注格式,如 XML(Pascal VOC)、TXT(YOLO)等,方便用户根据不同的需求进行选择。用户可以通过点击和拖拽轻松创建边界框,为图像中的目标进行标注。不同的 YOLO 标注工具各有特点,适用场景也有所不同。在选择标注工具时,用户需要根据自己的具体需求进行综合考虑。

zheng_ruiguo的专栏 7639

【多任务YOLO】A-YOLOM

本文提出了一种轻量级实时多任务模型A-YOLOM,用于自动驾驶中的目标检测、可驾驶区域分割和车道线分割。该模型采用统一的分割结构和自适应拼接模块,通过可学习参数优化特征融合,简化了分割头设计并使用相同的损失函数处理所有分割任务。在BDD100k数据集上,A-YOLOM实现了81.1%的mAP50(检测)、91.0%的mIoU(可驾驶区域)和28.8%的IoU(车道线)。实验表明,该模型在真实场景中的表现优于对比方法,展现出良好的泛化能力和部署潜力。

qq_40734883的博客 1154

labelImg与labelme:如何根据CV任务需求选择标注工具

本文深入对比了labelImg与labelme两大主流图像标注工具。labelImg专注于目标检测任务,通过高效绘制矩形框输出PASCAL VOC或YOLO格式,适合快速标注规则物体。labelme则支持多边形、点、线等多种标注,适用于语义分割、实例分割等需要精确轮廓的任务,输出灵活的JSON格式。文章结合CV四大任务和实战场景,提供了清晰的选型指南。

weixin_29178069的博客 587

LabelImg标注神器:如何一键导入预设标签避免YOLO训练翻车

本文详细介绍了如何使用LabelImg的预设标签功能避免YOLO训练中的类别混淆问题。通过创建predefined_classes.txt文件确保标注一致性,提供团队协作方案和自动化校验脚本,大幅提升计算机视觉项目的标注效率和训练稳定性。

weixin_29214559的博客 405

【教程】如何使用Labelimg查看已经标注好的YOLO数据集标注情况

【教程】如何使用Labelimg查看已经标注好的YOLO数据集标注情况

阿旭的博客 6420

极智Paper | 多任务统一网络 YOLOR

大家好,我是极智视界,本文解读一下 多任务统一网络 YOLOR。

极智视界 775

图像标注工具(LabelImg)

图像标注在多个领域有着广泛应用。在计算机视觉研究方面,它为各种计算机视觉算法的训练和评估提供数据支持,助力研究人员开发更先进的图像识别与理解算法;在自动驾驶领域,通过标注道路场景图像中的车辆、行人、交通标志、车道线等,让自动驾驶系统得以准确感知周围环境并做出决策;安防监控中,对监控视频里的人物、物体等进行标注,能够实现行为分析、目标追踪等功能,提升安防监控的智能化水平;医疗影像分析时,标注医学影像中的病变区域、器官等,可辅助医生进行疾病诊断与分析,提高诊断的准确性和效率。

weixin_43156294的博客 1631

VOC格式道路目标检测数据集:从XML标注到YOLO训练全流程

目标检测是计算机视觉的核心任务,高质量标注数据是模型训练的基础。VOC格式作为通用标注标准,通过XML文件记录目标类别与边界框坐标,与YOLO等主流框架的txt格式存在明确的映射关系。掌握格式转换与数据校验技巧,能显著提升模型开发效率。在智慧交通、安防监控等应用场景中,利用现成的道路目标数据集,结合数据清洗、类别分布统计与坐标边界检查,可快速构建稳健的训练流程。本文基于一套2998张VOC标注道路数据集,详解从XML解析、数据体检到VOC转YOLO的完整链路,并总结常见标注数据中的高频坑点与解决方案,帮助开

weixin_29040367的博客 241

常见的电容有哪些

电容在电路板中非常常见,类别纷繁复杂,本文化繁为简,主要介绍下常见电容。

qq_40170041的博客 770

LabelImg 图像标注工具使用教程

LabelImg 是一个图形化的图像标注工具,主要用于在图像中标注对象的边界框。它由 TzuTa Lin 开发,使用 Python 编写,并使用 Qt 作为其图形界面。标注结果以 XML 文件格式保存,支持 PASCAL VOC、YOLO 和 CreateML 格式。LabelImg 是一个轻量级且易于使用的工具,适用于图像标注任务,尤其是在计算机视觉模型的训练过程中。 ## 2. 项目快速启动...

gitblog_01146的博客 1429

CCS TMSC6748 报错Error connecting to the target: (Error -600 @ 0x0)

CCS TMSC6748 报错Error connecting to the target:(Error -600@ 0x0)

AS_the_deer1717的博客 6637

3天掌握图像标注:LabelImg免费工具终极指南

你是否正在为AI项目准备训练数据而烦恼?面对成百上千张需要标注的图片,手动操作既耗时又容易出错。别担心,今天我要为你介绍一款完全免费、简单易用的图像标注神器——LabelImg。这款基于Python和Qt开发的开源工具,能让你在短短3天内从标注新手变成效率专家,为你的计算机视觉项目打下坚实的数据基础。 ## 为什么你需要专业的图像标注工具? 想象一下这个场景:你正在开发一个智能农业监测系统,需

gitblog_00618的博客 779

MIL-STD-1553B协议解析与工程实践指南

MIL-STD-1553B作为军用航空电子系统的核心通信协议,采用命令/响应式串行总线架构,通过双冗余设计实现高可靠性数据传输。该协议定义了三类终端设备(总线控制器、远程终端、总线监视器)和六种标准消息格式,典型应用包括飞行控制系统、导航设备等关键航电组件的实时数据交互。深入解析模式代码机制和状态字位域定义,其中传输向量字(10000)和同步命令(00001)等关键指令在分布式系统时间对齐、故障诊断等场景发挥重要作用。工程实践中需特别注意78Ω终端阻抗匹配、4-12μs响应时间窗口等硬性指标,结合变压器耦合

weixin_33431149的博客 437

(完整版)从零开始教你玩转ComfyUI-保姆级部署教程-手把手带你ComfyUI工作流搭建

ComfyUI就像拥有一支神奇魔杖,可以轻松创造出令人惊叹的AI生成艺术。从本质上讲,ComfyUI是构建在Stable Diffusion之上的基于节点的图形用户界面(GUI),而Stable Diffusion是一种最先进的深度学习模型,可以根据文本描述生成图像。但ComfyUI真正特别之处在于,它如何让像你这样的艺术家释放创造力,将你最疯狂的想法变为现实。想象一下有一块数字画布,你可以通过连接不同的节点来构建自己独特的图像生成工作流,每个节点代表一个特定的功能或操作。

php源码 4万+

[数据集][目标检测]拉横幅识别横幅检测数据集VOC+yolo格式1962张1类别

数据集格式:Pascal VOC格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)[数据集][目标检测]拉横幅识别横幅检测数据集VOC+yolo格式1962张1类别_哔哩哔哩_bilibili。特别声明:本数据集不对训练的模型或者权重文件精度作任何保证,数据集只提供准确且合理标注。图片数量(jpg文件个数):1962。标注数量(xml文件个数):1962。标注数量(txt文件个数):1962。标注类别名称:["banner"]

FL1623863129的博客 2202

Visual Studio 6.0 镜像下载全指南:从企业版到中文版

本文提供Visual Studio 6.0企业版和中文版的镜像下载全指南,包括详细版本解析、已验证的下载链接及校验信息。针对现代系统的安装技巧和兼容性处理方案,帮助开发者高效获取并运行这一经典开发工具,特别适合维护遗留系统的专业人员。

weixin_33712987的博客 1143

基于深度学习的道路车辙识别 YOLO格式数据集 车辙识别 车辙识别道路坑洼数据集

基于深度学习的道路车辙识别 YOLO格式数据集 车辙识别 车辙识别道路坑洼数据集

qq1309399183的博客 170

OPTEE:TA命令操作的实现(三)

上文我们创建好了通道,现在就是操作,怎么操作TA呢?REE侧的CA执行创建会话操作成功后,CA就可使用获取到的调用来让TA执行特定的命令。通过ioctl的系统调用发送到OP-TEE的驱动中,保存在共享内存中,并触发安全监控模式调用(smc)切换到Monitor模式(ARMv7)或EL3(ARMv8)中进行安全世界状态的处理。

叫好与叫座虽然不是对立面,但想在同一个作品中达到双重效果很难。 1268

【学习系列】SAP RAP 18:Unmanaged场景开发示例-基本数据更新

本文介绍了在SAP RAP中unmanaged模式下从0到1的开发步骤。unmanaged模式下需要自行实现数据更新、权限检查等逻辑,适用于操作现有数据库表或复杂业务场景。文章以两层的采购订单对象为例,详细说明了创建技术对象(表、视图、行为定义等)的过程,并重点阐述了如何实现CRUD相关方法的核心逻辑。通过创建缓冲类来处理交互阶段和保存阶段的数据操作,确保事务一致性。完整代码展示了抬头层级的增删改查功能实现,为后续明细层级的开发奠定了基础。

DeveloperMrMeng的博客 642

【亲测免费】 LabelImg:一款强大的图像标注工具

LabelImg:一款强大的图像标注工具 项目介绍 LabelImg 是一款图形化的图像标注工具,广泛应用于计算机视觉领域。它由 Python 编写,并使用 Qt 框架构建其图形用户界面。LabelImg 支持将标注数据保存为 PASCAL VOC 格式和 YOLO 格式,这两种格式在图像识别和目标检测任务中被广泛使用。 项目技术分析 技术栈 编程语言:Python 图形界面:Qt(支持 PyQ...

gitblog_00956的博客 912

AppStore逆向分析(登录、查询、下单)

某网站全协议流程逆向与分析(自动登录、激活、查询、下单)

吴秋霖的博客 3032

LabelImg高级多边形标注:解决复杂物体标注的技术挑战

在计算机视觉和机器学习项目中,图像标注是构建高质量数据集的关键环节。LabelImg作为一款专业的图像标注工具,为不规则物体的精确标注提供了强大的多边形标注功能。本文将从技术挑战、解决方案、实践指南到扩展应用,深入探讨如何利用LabelImg的高级多边形标注技术提升标注效率和精度。 **核心关键词**:LabelImg多边形标注、复杂物体标注、图像标注工具、目标检测数据集、不规则物体轮廓标注

gitblog_00921的博客 414

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

目标检测数据集大全「包含VOC+COCO+YOLO三种格式+划分脚本+训练脚本」(持续原地更新)

目标检测数据集大全「包含VOC+COCO+YOLO三种格式+划分脚本+训练脚本」(持续原地更新),建议收藏关注 ~

极智视界 6872

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: 【Yolov5】-模型解读+训练过程 | 目标识别 | 视觉任务
下一篇: 【嵌入式】-VMware-Ubuntu-Linux- 基础指令 | 使用工具安装 | 常见问题
FreeFlowDev
博客等级 码龄4年 9517粉丝 15原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值