文章目录
在 yolov5 环境搭建 完成后，就能自己训练模型了，这篇文章主要讲解使用 yolov5 实现SAR图像中舰船的检测。
- 数据集制作
1.1 下载数据集
SSDD 的数据集可以在百度网盘，数据集比较下，不需要等待太久 👀
链接：https://pan.baidu.com/s/1aXeDJ1-bd3-Wftgk4_7glg
提取码：2022
1.2 数据集格式
我们手头上的 SSDD 数据集格式如下：
- SSDD
- Annotations
- 000001.xml
- 000002.xml
- ...
- JPEGImages
- 000001.JPG
- 000002.JPG
- ...
其中，Annotations为所有图片的标签，每一个 xml 标签文件内包含了目标类型，目标的位置（框的中心位置和宽高）
YOLOV5 不支持这种格式的数据集，我们可以把数据集修改为 COCO 格式：
- ships
- images
- train (JPG images)
- 000341.JPG
- 000024.JPG
- ...
- test (JPG images)
- val (JPG images)
- labels
- train (txt files)
- 000341.txt
- 000024.txt
- ...
- test (txt files)
- val (txt files)
- ...
可以看到，数据集包含 /images 和 /labels，images 中 包含三个文件夹分别存放三类数据集，对应的 labels 中也存放三类标签， 值得注意的是，labels 中不在是 xml 文件，而是 txt 文件，每一个 txt 文件内容如下：
格式：
0 0.41416 0.61538 0.31607 0.11242
1.3 格式转换
处理起来比较麻烦，我写了一个函数，可以放到与原始的 SSDD 文件夹同一目录下，运行后自动生成对应 COCO 格式的数据集 ships_dataset，代码下载地址：
链接：https://pan.baidu.com/s/1GMODNViP0WaquqJUyme_YA
提取码：2022
运行后效果如下：
可以把生成的 ships_dataset 丢到 yolov5 目录内，待后续使用。
; 1.4 创建 yaml 文件
在yolov5源代码目录中可以找到 coco 数据集的 yaml文件，它用来说明数据集的位置和包含的样本类型数目：
内容如下：
path: ../datasets/coco128
train: images/train2017
val: images/train2017
test:
nc: 80
names: ['person', 'bicycle', 'car', ...]
其中， path 指出了数据集存放的目录， train 指出了训练集图片 所在位置， val 指出了验证集图片 所在位置， test 不是必须的。
对应的，我们创建 ships.yaml，内容如下：
path: ./ships_dataset
train: images/train
val: images/val
test: images/test
nc: 1
names: ['ship']
- 调试
使用下面的命令训练模型：
python train.py --img 320 --batch-size 8 --epochs 10 --data data/ships.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --device 0
命令中的参数说明可以参考官方解释 和 这篇博客，注意此处指定了我们刚刚创建的 yaml 文件 （这些参数可以在 train.py 中设定默认值，也可以在命令中指定）
第一次训练，需要下载一些小文件，代码自动通过 Github 官网下载，有可能因为无法访问 Github 报错，直接改代码：
将 yolov5/utils/downloads.py 中的所有 github.com 改为镜像网址 hub.xn--p8jhe.tw
response = requests.get(f'https://hub.xn--p8jhe.tw/repos/
这样就能正常执行了，跑 10 个epoch 可以检测到一些舰船，但精度不高，100 epoches 基本能达到 94% 左右的检测率。
- 优化
由于还是小白，调参还没有经验，目前先通过图像增强来提高精度，参考博客
在 yolov5\data\hyps 中可以看到有很多超参数设置相关文件，创建自己的 hyp.ships.yaml，先复制 hyp.scratch-low.yaml 的全部内容，值修改图像增强部分：
hsv_h: 0.015
hsv_s: 0.5
hsv_v: 0.3
degrees: 0
translate: 0.1
scale: 0.75
shear: 0.0
perspective: 0.003
flipud: 0.4
fliplr: 0.5
mosaic: 1.0
mixup: 0.0
copy_paste: 0.0
使用了图像增强后需要在 train.py 中把参数值设置为
parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.ships.yaml', help='hyperparameters path')
- 训练与结果
使用了图像增强后，重新训练 150 个epoches（等待 3 小时💤）：
150 epochs completed in 3.510 hours.
Optimizer stripped from runs\train\exp40\weights\last.pt, 14.3MB
Optimizer stripped from runs\train\exp40\weights\best.pt, 14.3MB
Validating runs\train\exp40\weights\best.pt...
Fusing layers...
YOLOv5s summary: 213 layers, 7012822 parameters, 0 gradients, 15.8 GFLOPs
Class Images Labels P R mAP@.5 mAP@.5:.95: 100%|██████████| 15/15 [00:04<0
all 232 578 0.95 0.865 0.947 0.526
Results saved to runs\train\exp40
可以在 yolov5/runs/train/exp40 中查看结果：
也可以拿训练好的 weight/best.pt 文件进行预测（下面预测所有测试集中的图片）：
python detect.py --iou-thres 0.3 --weights ./runs/train/exp40/weights/best.pt --source ./ships_dataset/images/test --save-txt --save-crop
可以在 yolov5/runs/detect 中查看结果
Original: https://blog.csdn.net/qq_41140138/article/details/125407671
Author: 我有两颗糖
Title: 基于 YOLOV5 的 SAR 图像舰船检测
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/688349/
转载文章受原作者版权保护。转载请注明原作者出处！