雨天道路目标检测数据集 3600张 雨天 带标注 voc yolo

雨天道路目标检测数据集 3600张 雨天 带标注 voc yolo
白天

分类名: (图片张数， 标注个数)
car: (1134， 10528)
truck: (394， 722)
person: (387， 1585)
rider: (47， 56)
bike: (64, 86) .
bus:(187， 256)
motor :(29，32)
总数: (1150， 13265)
总类(nc): 7类

晚上
分类名: (图片张数， 标注个数)
car: (2470， 21655)
truck: (384， 499)
per son:(510， 1532)
bus: (220， 248)
bike: (76， 121)
rider: (64, 71)
motor: (43， 49)
总数: (2494， 24175)
总类(nc): 7类


构建一个基于YOLOv8模型的雨天道路目标检测系统。我们将使用PyTorch 1.10.0，并提供两个主要程序：一个是train.py，用于训练模型；另一个是predict.py，用于加载训练好的模型并进行预测。

1. 环境准备

首先，确保你已经安装了所需的依赖项。你可以使用以下命令安装这些依赖项：

pipinstalltorch==1.10.0 torchvision matplotlib opencv-python ultralytics

2. 数据集准备

假设你的数据集已经准备好，并且分为训练集和验证集。数据集目录结构如下：

rainy_road_dataset/ ├── images/ │ ├── train_day/ │ ├── val_day/ │ ├── train_night/ │ └── val_night/ ├── labels_voc/ │ ├── train_day/ │ ├── val_day/ │ ├── train_night/ │ └── val_night/ ├── labels_yolo/ │ ├── train_day/ │ ├── val_day/ │ ├── train_night/ │ └── val_night/ └── data.yaml

3. 数据集配置文件 (data.yaml)

创建一个data.yaml文件，配置数据集的路径和类别信息：

path:./rainy_road_dataset# 数据集路径train_day:images/train_day# 白天训练集图像路径val_day:images/val_day# 白天验证集图像路径train_night:images/train_night# 晚上训练集图像路径val_night:images/val_night# 晚上验证集图像路径nc:7# 类别数names:['car','truck','person','rider','bike','bus','motor']# 类别名称

4. 转换标注格式

假设标注文件是VOC格式的XML文件，我们需要将它们转换为YOLO格式的TXT文件。

转换脚本

importxml.etree.ElementTreeasETimportosdefconvert_voc_to_yolo(voc_file,yolo_file,class_names):tree=ET.parse(voc_file)root=tree.getroot()width=int(root.find('size/width').text)height=int(root.find('size/height').text)withopen(yolo_file,'w')asf:forobjinroot.findall('object'):class_name=obj.find('name').textifclass_namenotinclass_names:continueclass_id=class_names.index(class_name)bbox=obj.find('bndbox')x_min=float(bbox.find('xmin').text)y_min=float(bbox.find('ymin').text)x_max=float(bbox.find('xmax').text)y_max=float(bbox.find('ymax').text)x_center=(x_min+x_max)/2.0/width y_center=(y_min+y_max)/2.0/height w=(x_max-x_min)/width h=(y_max-y_min)/height f.write(f"{class_id}{x_center}{y_center}{w}{h}\n")defconvert_all_voc_to_yolo(voc_dir,yolo_dir,class_names):os.makedirs(yolo_dir,exist_ok=True)forfilenameinos.listdir(voc_dir):iffilename.endswith('.xml'):voc_file=os.path.join(voc_dir,filename)yolo_file=os.path.join(yolo_dir,filename.replace('.xml','.txt'))convert_voc_to_yolo(voc_file,yolo_file,class_names)if__name__=="__main__":class_names=['car','truck','person','rider','bike','bus','motor']voc_train_day_dir='rainy_road_dataset/labels_voc/train_day'yolo_train_day_dir='rainy_road_dataset/labels_yolo/train_day'convert_all_voc_to_yolo(voc_train_day_dir,yolo_train_day_dir,class_names)voc_val_day_dir='rainy_road_dataset/labels_voc/val_day'yolo_val_day_dir='rainy_road_dataset/labels_yolo/val_day'convert_all_voc_to_yolo(voc_val_day_dir,yolo_val_day_dir,class_names)voc_train_night_dir='rainy_road_dataset/labels_voc/train_night'yolo_train_night_dir='rainy_road_dataset/labels_yolo/train_night'convert_all_voc_to_yolo(voc_train_night_dir,yolo_train_night_dir,class_names)voc_val_night_dir='rainy_road_dataset/labels_voc/val_night'yolo_val_night_dir='rainy_road_dataset/labels_yolo/val_night'convert_all_voc_to_yolo(voc_val_night_dir,yolo_val_night_dir,class_names)

5. 训练脚本 (train.py)

fromultralyticsimportYOLOdeftrain_model(data_yaml_path,model_config,epochs,batch_size,img_size,augment):# 加载模型model=YOLO(model_config)# 训练模型results=model.train(data=data_yaml_path,epochs=epochs,batch=batch_size,imgsz=img_size,augment=augment)# 保存模型model.save("runs/train/rainy_road/best.pt")if__name__=="__main__":data_yaml_path='rainy_road_dataset/data.yaml'model_config='yolov8n.yaml'epochs=100batch_size=16img_size=640augment=Truetrain_model(data_yaml_path,model_config,epochs,batch_size,img_size,augment)

6. 预测脚本 (predict.py)

importcv2importtorchfromultralyticsimportYOLOdefpredict_image(image_path,model_path,img_size=640):# 加载模型model=YOLO(model_path)# 读取图像image=cv2.imread(image_path)image_rgb=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)# 进行预测results=model(image_rgb,size=img_size)# 处理预测结果forresultinresults:boxes=result.boxes.xyxy.cpu().numpy()scores=result.boxes.conf.cpu().numpy()labels=result.boxes.cls.cpu().numpy().astype(int)forbox,score,labelinzip(boxes,scores,labels):x1,y1,x2,y2=map(int,box)class_name=['car','truck','person','rider','bike','bus','motor'][label]color=(0,255,0)iflabel==0else(0,0,255)cv2.rectangle(image,(x1,y1),(x2,y2),color,2)cv2.putText(image,f'{class_name}{score:.2f}',(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,color,2)# 显示图像cv2.imshow('Prediction',image)cv2.waitKey(0)cv2.destroyAllWindows()if__name__=="__main__":image_path='path_to_your_image.jpg'model_path='runs/train/rainy_road/best.pt'predict_image(image_path,model_path)

7. 运行脚本

1. 转换标注格式：

   python convert_voc_to_yolo.py

2. 训练模型：

   python train.py

3. 进行预测：

   python predict.py

8. 详细解释

转换标注格式脚本 (convert_voc_to_yolo.py)

1. 导入依赖项：

   • import xml.etree.ElementTree as ET：导入XML解析库。
   • import os：导入操作系统接口库。

2. 定义转换函数：

   • convert_voc_to_yolo：将单个VOC格式的XML文件转换为YOLO格式的TXT文件。
   • convert_all_voc_to_yolo：将指定目录下的所有VOC格式的XML文件转换为YOLO格式的TXT文件。

3. 主函数：

   • 设置类别名称和各个子集的路径。
   • 调用convert_all_voc_to_yolo函数进行转换。

训练脚本 (train.py)

1. 导入依赖项：

   • from ultralytics import YOLO：导入YOLOv8模型。

2. 定义训练函数：

   • train_model：加载模型，设置训练参数，训练模型，并保存最佳模型。

3. 主函数：

   • 设置数据集路径、模型配置、训练参数等。
   • 调用train_model函数进行训练。

预测脚本 (predict.py)

1. 导入依赖项：

   • import cv2：导入OpenCV库。
   • import torch：导入PyTorch库。
   • from ultralytics import YOLO：导入YOLOv8模型。

2. 定义预测函数：

   • predict_image：加载模型，读取图像，进行预测，处理预测结果，并显示带有标注的图像。

3. 主函数：

   • 设置图像路径和模型路径。
   • 调用predict_image函数进行预测。

总结

通过以上步骤，你可以构建一个基于YOLOv8模型的雨天道路目标检测系统。convert_voc_to_yolo.py用于将VOC格式的标注文件转换为YOLO格式，train.py用于训练模型，predict.py用于加载训练好的模型并进行预测