17flowers.zip
花卉分类数据集
以下4个py文件需要单独运行: 首先运行annotation.py文件:将CCPD数据集进行划分,生成.txt路径文件存储到model_data文件夹中。 然后运行k_means_calculate.py文件:计算生成anchors数值,存储到model_data文件夹中。 再然后运行train.py文件:加载原始权重,训练YOLOv4模型,并将每轮训练的结果存储进Logs文件夹中。 最后运行yolo_predict.py文件:载入训练好的YOLOv4权重,对测试集数据进行检测,检测结果存放入demo文件夹中。 算法效果:---------------------------------------------------------------------- YOLOv4每张图片检测耗时323.8ms,精度较高,训练40 epoch左右后val loss降低至0.3附近,效果非常满意。 训练过程中random数据增强非常重要,可大幅提升模型性能,进一步降低val loss。
以下4个py文件需要单独运行: 首先运行annotation.py文件:将VOC数据集进行划分,生成.txt路径文件存储到model_data文件夹中。 然后运行k_means_calculate.py文件:计算生成anchors数值,存储到model_data文件夹中。 再然后运行train.py文件:加载原始权重,训练YOLOv4模型,并将每轮训练的结果存储进Logs文件夹中。 最后运行yolo_predict.py文件:载入训练好的YOLOv4权重,对测试集数据进行检测,检测结果存放入demo文件夹中。 YOLOv4每张图片检测耗时373.5ms,精度较高,训练30 epoch左右后val loss降低至2.3附近,比较满意。
img文件夹:用来存储验证码图片,运行data_simulate.py文件即可生成10000张带标记的验证码数字图片。 Logs文件夹:用来存储模型训练权重。 demo文件夹:可视化效果图,每张图片左边部分是原始字符图片,右边部分是经过STN层调整后的字符图片。 训练400个epoch后val loss降低到0.007左右,val accurcy达到99.5%。 利用test数据集进行测试,字符图片分类精度达到99.4%。
img文件夹:用来存储验证码图片,10000张带标记的验证码数字图片。 Logs文件夹:用来存储模型训练权重。 训练15个epoch后val loss达到瓶颈,val loss = 0.09左右在也无法降低。 序列识别精度97.4%,效果极佳。
以下3个py文件可独立运行(先运行data_simulate.py,再运行main.py): (1)main.py文件:从头开始训练模型,并对验证集进行检测。 其依次调用了get_data.py、ocr_model.py、train.py、predict.py。 (2)data_simulate.py文件:生成训练数据集,并存储至img文件夹。 (3)visualize.py文件:网络可视化,显示不同分支分类模型的关键识别像素区域,生成heatmap_1-6.jpg。 算法效果: 训练10个epoch后val loss达到瓶颈,val loss = 1.98左右在也无法降低。 序列识别精度65%,单个字符识别精度93%。
算法性能: 1、检测正面清晰车牌号图片,车牌号在整张图片占比1/8-1/3之间,精度可达99%以上。 2、整体算法耗时104ms-164ms之间,处理视频流畅。 算法原理: 1、利用u-net网络做语义分割,检测得到车牌号位置。 2、按比例裁减图片,得到省份汉字图片和字母数字图片。 3、利用vgg网络分类,识别省份类别。 4、利用c_rnn网络分割分类,识别字母数字。
1、基于VOC_2012_AUG数据集进行语义分割,10000张训练集,1136张测试集。 2、语义分割精度达到93%,非常不错。 3、PSPNet模型,基于mobilenet特征提取框架。
笔耕不辍
分享王者
持续创作
创作能手
新秀勋章
分享宗师
分享达人
分享精英