基于ModelArts的物体检测YOLOv3实践【玩转华为云】
前言
YOLO场景运用： YOLO作为一个one-stage目标检测算法，在速度和准确度上都有杰出的表现。
除了在Notebook开发环境中进行算法的定义和运行，通过ModelArts预置算法同样可以进行YOLO算法的训练和推理。接下来的例子就是一个利用Notebook中的YOLO V3物体检测进行的训练和推理过程。
另外，想要了解ModelArts预置算法，可以前往华为云GitHub教程链接：ModelArts物体检测Yolo_V3预置算法案例
或者可以参考以前我的这篇博文：https://bbs.huaweicloud.com/blogs/224006
背景
物体检测是计算机视觉中的一个重要的研究领域，在人流检测，行人跟踪，自动驾驶，医学影像等领域有着广泛的应用。不同于简单的图像分类，物体检测旨在对图像中的目标进行精确识别，包括物体的位置和分类，因此能够应用于更多高层视觉处理的场景。例如在自动驾驶领域，需要辨识摄像头拍摄的图像中的车辆、行人、交通指示牌及其位置，以便进一步根据这些数据决定驾驶策略。这次实践，我将聚焦于YOLO算法，YOLO(You Only Look Once)是一种one-stage物体检测算法。
基础环境准备
在使用 ModelArts 进行 AI 开发前，需先完成以下基础操作哦（如有已完成部分，请忽略），主要分为4步（注册–>实名认证–>服务授权–>领代金券）：
-
使用手机号注册华为云账号：点击注册
-
点此去完成实名认证，账号类型选"个人"，个人认证类型推荐使用"扫码认证"。
-
点此进入 ModelArts 控制台数据管理页面，上方会提示访问授权，点击【服务授权】按钮，按下图顺序操作：
-
进入 ModelArts 控制台首页，如下图，点击页面上的"彩蛋"，领取新手福利代金券！后续步骤可能会产生资源消耗费用，请务必领取。
以上操作，也提供了详细的视频教程，点此查看：ModelArts环境配置
基于ModelArts的物体检测YOLOv3实践具体步骤
1.点击进入 【物体检测YOLOv3实践】的案例页面，并完成基础配置。
本次实践使用的是AI框架： TensorFlow-1.13.1，在GPU下面运行；推荐规格: GPU V100
点击 Run in ModelArts，进入 JupyterLab 页面：
稍等30s左右，等待项目初始化完毕......
由于需要GPU下运行，所以我们需要进行规格切换，并选择 [限时免费]GPU: 1*V100|CPU: 8核 64GB ，点击切换规格。
稍等一会就切换完成，如下所示：
2.数据和代码下载
运行下面代码，进行数据和代码的下载和解压
这里使用coco数据，共80个类别。
3准备数据
3.1文件路径定义
3.2读取标注数据
3.3数据读取函数，构建数据生成器。
每次读取一个批次的数据至内存训练，并做数据增强
4.模型训练
这里使用Keras深度学习框架搭建YOLOv3神经网络。
4.1构建神经网络
可以在./yolo3/model.py文件中查看细节
4.2开始训练
4.3保存模型
5.模型测试
5.1打开一张测试图片
5.2图像预处理
5.3构建模型
5.4加载模型权重
5.5定义IOU以及score
- IOU： 将交并比大于IOU的边界框作为冗余框去除
- score：将预测分数大于score的边界框筛选出来
5.6构建输出[boxes, scores, classes]
5.7进行预测
5.8将预测结果绘制在图片上
先输出一下原图
物体检测效果图
可以看出，基于ModelArts的物体检测YOLOv3可以检测出伞和人，框选的比较精确，与数据集训练的精度也有关系。
总结
物体检测是计算机视觉中的一个重要的研究领域，在人流检测，行人跟踪，自动驾驶，医学影像等领域有着广泛的应用。不同于简单的图像分类，物体检测旨在对图像中的目标进行精确识别，包括物体的位置和分类，因此能够应用于更多高层视觉处理的场景。本次实操，通过训练好的数据进行检测，较为精确，不难看出，YOLO作为一个one-stage目标检测算法，在速度和准确度上都有杰出的表现。
至此，本文结束。
感恩能与大家在华为云遇见！希望能与大家一起在华为云社区共同成长。
- 点赞
- 收藏
- 关注作者
评论（0）