OpenMMLab MMYOLO目标检测应用示例与常见问题（三）

最新推荐文章于 2025-03-02 14:02:31 发布

原创

最新推荐文章于 2025-03-02 14:02:31 发布 · 778 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #人工智能 #计算机视觉

本文介绍了MMYOLO在电离图实时目标检测中的应用，包括数据集构建、COCO格式转换、数据集划分、模型配置、训练优化、性能分析以及常见问题解答。

基于MMYOLO的电离图实时目标检测基准

数据集

数字电离图是获取实时电离层信息的最重要方式。电离层结构检测对于准确提取电离层关键参数具有重要的研究意义。

本研究利用中国科学院在海南、武汉和怀来获得的4311张不同季节的电离图建立数据集。使用labelme手动注释包括 Layer E、Es-l、Es-c、F1、F2 和 Spread F 在内的六个结构。
在这里插入图片描述
数据集准备

下载数据后，将其放在MMYOLO存储库的根目录下，并使用（for Linux）解压到当前文件夹。解压后的文件夹结构如下：unzip test.zip

Iono4311/
├── images
| ├── 20130401005200.png
| └── …
└── labels
├── 20130401005200.json
└── …

该images目录包含输入图像，而该labels目录包含labelme生成的注释文件。

将数据集转换为COCO格式

使用脚本tools/dataset_converters/labelme2coco.py将labelme标签转换为COCO标签。

python tools/dataset_converters/labelme2coco.py --img-dir ./Iono4311/images \
                                                --labels-dir ./Iono4311/labels \
                                                --out ./Iono4311/annotations/annotations_all.json

检查转换后的COCO标签

要确认转换过程是否成功，请使用以下命令在图像上显示 COCO 标签。

python tools/analysis_tools/browse_coco_json.py --img-dir ./Iono4311/images \
                                                --ann-file ./Iono4311/annotations/annotations_all.json

将数据集分为训练集、验证集和测试集

将数据集中70%的图像作为训练集，15%作为验证集，15%作为测试集。

python tools/misc/coco_split.py --json ./Iono4311/annotations/annotations_all.json \
                                --out-dir ./Iono4311/annotations \
                                --ratios 0.7 0.15 0.15 \
                                --shuffle \
                                --seed 14