%20(2).svg)
项目简介
本项目是基于Python的水下生物检测系统，主要功能是把水下生物的自定义数据集从VOC格式转换为COCO格式，再利用EfficientDet模型开展水下生物（海参、海胆、扇贝、海星）的检测训练与测试。项目参考EfficientDet相关开源项目，提供了完整的数据集处理、模型训练和评估流程。
项目的主要特性和功能
- 数据转换：可将VOC格式的水下生物数据集按9:1比例划分为训练集和验证集，并转换成COCO格式，便于后续用EfficientDet模型训练。
- 模型训练：能从头开始训练EfficientDet - D2模型，也可用预训练模型训练，支持断点训练，还能冻结骨干网络只训练头部网络以加快训练速度。
- 模型测试与评估：提供测试新图像和评估模型的脚本，用COCO的mAP指标评估模型，且能在训练过程中进行调试可视化。
安装使用步骤
1. 数据准备
将数据存放在项目的dataset下，目录结构如下：
..
└─underwater
├─Annotations # xml标注
└─JPEGImages # jpg原图
2. 划分训练集和验证集
将数据集按9:1的比例随机划分为训练集和验证集，划分后的数据结构如下：
..
├─train
│ ├─Annotations
│ └─JPEGImages
└─val
├─Annotations
└─JPEGImages
3. 将VOC转COCO
运行以下命令将划分好的训练集和验证集转换为COCO格式：
bash
python voc2coco.py train.txt./train/Annotations instances_train.json./train/JPEGImages
python voc2coco.py val.txt./val/Annotations instances_val.json./val/JPEGImages
生成的json文件存放在dataset/underwater/annotations/目录下。
4. 修改EfficientDet的项目文件
- 新建
dataset文件夹，将训练和验证数据存放在dataset/underwater目录下。dataset └─underwater # 项目数据集名称 ├─annotations # instances_train.json,instances_val.json ├─train # train jpgs └─val # val jpgs - 新建
logs文件夹，用于存放训练过程中的TensorBoardX日志及模型。 - 修改
train.py、efficientdet_test.py、coco_eval.py、efficientdet/config.py等文件中的相关参数，如项目名称、类别列表、模型路径等。 - 新建
yml配置文件./projects/underwater.yml，配置训练参数。
5. 训练EfficientDet模型
- 从头训练自己的数据集EfficientDet - D2：
bash python train.py -c 2 --batch_size 16 --lr 1e4 - 使用预训练的模型进行训练（推荐）：
bash python train.py -c 2 --batch_size 8 --lr 1e-5 --num_epochs 10 --load_weights /path/to/your/weights/efficientdet-d2.pth - 冻结骨干网络只训练头部网络：
bash python train.py -c 2 --batch_size 8 --lr 1e-5 --num_epochs 10 --load_weights /path/to/your/weights/efficientdet-d2.pth --head_only True - 断点训练：
bash python train.py -c 2 --batch_size 8 --lr 1e-5 --load_weights last --head_only True
6. 测试EfficientDet模型
- 评估模型使用COCO的mAP：
bash python coco_eval.py -p underwater -c 2 -w./logs/underwater/efficientdet-d2_122_38106.pth - 训练过程中的调试：
bash python train.py -c 2 --batch_size 8 --lr 1e-5 --debug True - 推断新的图像：
bash python efficientdet_test.py
下载地址
点击下载 【提取码: 4003】【解压密码: www.makuang.net】