yolo目标检测项目-人脸识别

本文基于课堂学习要求，完成yolo目标检测实验报告，并分享自己操作流程。实验代码由老师提供，包括YOLO算法代码“yolov4-pytorch-master”和框图程序“labelImg_exe”两部分。

一、实验准备 

1.准备数据集 

本人准备了120张人像图片，存储在指定路径。

yolov4-pytorch-master\VOCdevkit\VOC2007\JPEGImages

2.标签图像

使用框图程序“labelImg_exe”为训练集标签。

首先修改predefined_classes.txt（路径：labelImg_exe\data）文件中的标签信息，用于标注图片。

之后就可以打开labelImg_exe程序为每张图片进行标签。点击“Open Dir”打开训练集（yolov4-pytorch-master\VOCdevkit\VOC2007\JPEGImages），点击“Chang Save Dir”将保存路径修改为yolov4-pytorch-master\VOCdevkit\VOC2007\Annotations。点击“Create\nRectBox ”框选图片并添加标签。点击“Save”保存标签。每次框选后都需要手动保存。

保存后的标签文件。

二、训练模型

首先修改coco_classes.txt和voc_classes.txt文本文件，将里面的标签名改为前面设置的标签名。之后运行voc_annotation.py文件生成2007_train.txt和2007_val.txt。注意voc_annotation.py文件中的参数annotation_mode的取值要设置为0。

 现在就可以开始运行train.py文件训练模型。代码会训练数据集300次，每10次会生成1个模型，还会自动保存效果最优模型best_epoch_weights.pth（存储路径为yolov4-pytorch-master\logs\best_epoch_weights.pth），此外还生成了epoch_loss.png损失曲线图和epoch_map.png平均精度曲线图。

三、模型预测

模型预测需要用到yolo.py文件和predict.py文件。yolo.py文件需要修改"model_path"，将其修改为'logs/best_epoch_weights.pth'。之后即可运行predict.py文件。

输入测试图片路径。