大数据采集与预处理技术（微课版）课件 3.2使用标注数据进行目标识别模型训练

大数据采集及预处理技术*

*目标检测模型训练序号软件配置要求1Windows运行计算机内存8G以上2ultralyticsyolov10模型3python最新版本一、项目目标：1、完成表情检测模型的训练；2、测试目标检测模型性能；二、环境要求：任务一数据划分一、任务目标1、了解常见的数据划分方法；2、掌握数据划分程序设计方法；二、操作任务1、导出标注的图像数据和标注文件。2、将标注数据进行训练集和验证集划分。标注数据整理1）如果图片和标注文本在同一个文件夹下，需要分开放置。2）如果在不同文件夹下，注意图片名和标注文件名对应。3）如当前示例，图片放到imgs文件夹、把txt文件放到annotations文件夹。4）注意：如果提前划分了训练集和验证集数据，此步骤可以省略。标注数据训练集和验证集划分importosimportrandomimportshutil#设置文件路径和划分比例root_path="./"image_dir="./imgs/"label_dir="./annotations/"train_ratio=0.7val_ratio=0.3#创建训练集、验证集和测试集目录os.makedirs("./images/train",exist_ok=True)os.makedirs("./images/val",exist_ok=True)os.makedirs("./labels/train",exist_ok=True)os.makedirs("./labels/val",exist_ok=True)os.makedirs("./annotations/",exist_ok=True)#获取所有图像文件名image_files=os.listdir(image_dir)total_images=len(image_files)random.shuffle(image_files)#计算划分数量train_count=int(total_images*train_ratio)val_count=int(total_images*val_ratio)#划分训练集train_images=image_files[:train_count]forimage_fileintrain_images:label_file=image_file[:image_file.rfind(".")]+".txt"shutil.copy(os.path.join(image_dir,image_file),"./images/train/")shutil.copy(os.path.join(label_dir,label_file),"./labels/train/")#划分验证集val_images=image_files[train_count:train_count+val_count]forimage_fileinval_images:label_file=image_file[:image_file.rfind(".")]+".txt"shutil.copy(os.path.join(image_dir,image_file),"./images/val/")shutil.copy(os.path.join(label_dir,label_file),"./labels/val/")#生成训练集图片路径txt文件withopen("train.txt","w")asfile:file.write("\n".join([root_path+"./images/train/"+image_fileforimage_fileintrain_images]))#生成验证集图片路径txt文件withopen("val.txt","w")asfile:file.write("\n".join([root_path+"./images/val/"+image_fileforimage_fileinval_images]))print("数据划分完成！")图片训练集和验证集划分（1）划分好的图片应该如由图所示：在项目中加入images文件夹，文件夹下包括train和val文件夹，分别存储模型训练图片和验证图片。在项目中加入labels文件夹，文件夹下包括train和val文件夹，分别存储模型训练图片标注文件和验证图片标注文件。如右图所示：（2）或者提前分好训练集和验证集图片（存于images文件夹下），然后分别标注图片，把标注文件放到labels文件下的train和val文件夹下。如右图所示：任务二模型训练一、任务目标1、会调用常见的目标检测模型；2、会编写YOLO模型训练的数据配置文件；3、掌握YOLO模型训练超参数配置。二、操作任务1、完成yolov10模型训练配置文件编写。2、完成yolov10模型训练和测试。模型训练—数据配置文件data.yaml特别注意“path”、“train”、“val”、“names”、“0”等后面必须有空格，否则认为是一个字符串#替换成自己标注的数据集位置path:D:/PycharmProjects/yolov10project/expressiontrain:D:/PycharmProjects/yolov10project/expression/images/trainval:D:/PycharmProjects/yolov10project/expression/images/valnames:0:Aanger#注意冒号后边有空格

1:Contempt2:Disgust3:Fear4:Happy5:Neutral6:Sad7:SurprisedYOLOV10模型搭建和训练

训练的模型将保存到run目录下注意：图中train4表示第4此训练的模型

注意模型准确率、损失值等指标的变化fromultralyticsimportYOLO#如果第一次执行会自动下载yolov10n.pt模型，注意需要可以访问网络model=YOLO("yolov10n.pt")#自定义数据集位置data="data.yaml"#数据集通过data.yaml文件指定，训练30轮次，批输入8张图片，图大小256*256，学习率0.001pcls=model.train(data=data,epochs=50,batch=8,imgsz=256,lr0=0.001)模型测试fromultralyticsimportYOLO#加载模型model=YOLO(model='runs/detect/train4/weights/best.pt')#测试图片results=model(["imgs_test/1.PNG","imgs_test/2.PNG"])fori,resultinenumerate(results):