【实战】K210训练与部署YOLO目标检测模型

文章目录

• 【实战】K210训练与部署YOLO目标检测模型
• 材料准备
• 项目目标
• 实验步骤
• • 一、数据集制作
  • • 1. 准备数据集
    • 2. 标注图片
  • 二、模型训练
  • • 1.Mx-yolov3环境配置
    • 2.Mx-yolov3模型训练和部署
• 总结

材料准备

• K210（Maix Bit）
• MaixPy IDE （下载链接：https://pan.baidu.com/s/1DuqdPzniZ5lrcbtoZAJkQg 提取码：q67r）
• Mx-yolov3 （下载链接：https://pan.baidu.com/s/1Gl3Qfw5s8LZuu2wc1GTITg 提取码：dvsf）
• TF卡及读卡器

项目目标

使用部署在K210上的YOLO模型完成水面漂浮垃圾的检测与识别任务

实验步骤

一、数据集制作

1. 准备数据集

目标检测： 每类图片数量不低于100张， 建议采集200~400张，数据集大小决定了模型的质量
因为模型最终部署在K210上，所以直接使用K210采集数据集图片。采集图片脚本如下：

链接：https://pan.baidu.com/s/1bBLRuzbX0w3ZFzC3oPwhMQ 提取码：mutk
注意：上面这个脚本需要在文件最后顶格添加一行才能运行。（亲身实践，在maix-bit上能顺利运行。但是在拍照过程中时常出现卡死的情况，频繁上下电和reset，导致最后在TF卡里生成多个文件夹，且每个文件夹里图片均从0开始命名，后面合并非常麻烦，不得不撸几个脚本批量完成图片的重命名工作。）

图片批量重命名脚本如下：

回归正题，下载好并修改拍照脚本后，将脚本命名为boot.py并（通过读卡器）放到FAST格式化后的TF卡上，如下图所示

2. 标注图片

使用标注软件labelImg进行图片标注，labelImg使用此处不予详述。标注过程如下图所示：

总结

总的来说，对于第一次走完数据集制作、模型训练、模型部署整个流程的我来说，结果还是令人满意的。但是模型质量还不大行，在上面的模型测试结果中，前三张图片虽然检测出了树叶，但是置信度都不高，后三张包含口罩图片根本没有没框。究其原因，主要是数据集太小了，总共360+张图片，200张左右包含共四种不同树叶，包含口罩的图片可能连100张都不到。后期准备扩大数据集，以提升模型质量达到预期要求。