教你從零開始做一個基于深度學習的交通標志識別系統

基于Yolo v3的交通標志識別系統及源碼

自動駕駛之——交通標志識別

在本文章你可以學習到如何訓練自己采集的數據集，生成模型，并用yolo v3算法實現交通標志識別。當然交通標志可以是其他比如交通燈、車輛、行人等等。

效果圖：

環境：win10+python3.6 +keras +Tensorflow 1.14.0+Pycharm2019

一、環境配置

1.1 下載anaconda，安裝python環境

python環境我建議下載anaconda，anaconda內置python 3.6解釋器，其他python版本不用單獨安裝，十分便捷，在安裝

1.2 修改下載源

anaconda的python解釋器自帶的下載源下載東西很慢，因此可以改為國內豆瓣或者清華等鏡像源。

這里教大家改為豆瓣源。

可以看我的另外一篇文章：

更改Python pip下載源為國內豆瓣源

1.3 安裝其他環境及包，tensorflow、keras、opencv等等

三、訓練數據集

3.1 前言：明確讀入的格式以及處理流程

首先明確進行yolov3訓練數據集的格式，如下：

文件的絕對路徑 left,top,right,bottom,類別編號

其實所有模型方法進行訓練的時候甚至機器學習svm分類等，都是要告訴電腦(以檢測貓來說)，你的圖片在計算機存儲的路徑；你的圖片中貓目標的位置，即left,top,right,bottom ；以及貓類別的編號。

實際例子：

/home/matthew/VOC2007/JPEGImages/000000160.jpg 186,192,353,349,0 579,286,850,500,0/home/matthew/VOC2007/JPEGImages/000000162.jpg 403,22,458,60,0 400,245,552,389,0 432,0,459,12,0 926,1,999,15,0/home/matthew/VOC2007/JPEGImages/000000166.jpg 146,246,340,428,0

可以看到數據中不只有一個目標。

3.1 、制作自己的VOC格式訓練集——打標簽(labelImg軟件)

那么這么標準的數據如何得到呢，其實可以用一個深度學習訓練圖片的打標簽工具——labelImg。關于這個軟件的安裝與使用見鏈接：

圖像識別中標注工具labelImg的安裝和使用——深度學習打標簽

這個軟件會使用會生成標準xml文件，然后經過下面一系列操作，最后成為txt文件，進行訓練。

使用教程：

大致步驟

• 1、圖像(.jpg)進行重命名(00000X.jpg) ，可以用bat命令

• 2、制作圖像的.xml文件 ，生產的 xml文件放入下方的 **Annotation**文件夾

• 3、將.xml文件轉換成.txt文件【表述圖像及框的四點坐標信息】

• 4、將.jpg文件轉換成.txt文件【訓練、測試、驗證數據集的路徑】

3.2 ：建立VOC2007目錄，把上一步標記的xml文件放入Annotation文件夾內

在工程下新建一個文件夾VOC2007,在下面就是新建幾個默認名字的文件夾 Annotation，ImageSet(該目錄還有三個文件需要建立)，JPEGImages(把你所有的圖片都復制到該目錄里面，如下圖)，SegmentationClass，SegmentationObject。

--VOC2007 --Annotations --ImageSets --Main --Layout --Segmentation --JPEGImages --SegmentationClass --SegmentationObjectAnnotations 中主要存放xml文件，每一個xml對應一張圖像， 并且每個xml中存放的是標記的各個目標的位置和類別信息，命名通常與對應的原始圖像一樣JPEGImages 自己的原始圖像放在JPEGImages文件夾ImageSets Layout 存放人體部位的數據。(用不上) Main 存放的是目標識別的數據，主要有test.txt , train.txt, val.txt， trainval.txt四個文件。 Segmentation 存放分割的數據。(用不上)

有大神寫了個程序，運行一下就直接建好了，如下：

def make_voc_dir(): os.makedirs('VOC2007/Annotations') os.makedirs('VOC2007/ImageSets') os.makedirs('VOC2007/ImageSets/Main') os.makedirs('VOC2007/ImageSets/Layout') os.makedirs('VOC2007/ImageSets/Segmentation') os.makedirs('VOC2007/JPEGImages') os.makedirs('VOC2007/SegmentationClass') os.makedirs('VOC2007/SegmentationObject')if __name__ == '__main__': make_voc_dir()

3.3 、生成ImageSet/Main/4個文件。

在VOC2007下新建一個test.py文件，復制如下代碼

test.py文件：

import osimport random trainval_percent = 0.2train_percent = 0.8xmlfilepath = 'Annotations'txtsavepath = 'ImageSetsMain'total_xml = os.listdir(xmlfilepath) num = len(total_xml)list = range(num)tv = int(num * trainval_percent)tr = int(tv * train_percent)trainval = random.sample(list, tv)train = random.sample(trainval, tr) ftrainval = open('ImageSets/Main/trainval.txt', 'w')ftest = open('ImageSets/Main/test.txt', 'w')ftrain = open('ImageSets/Main/train.txt', 'w')fval = open('ImageSets/Main/val.txt', 'w') for i in list: name = total_xml[i][:-4] + '' if i in trainval: ftrainval.write(name) if i in train: ftest.write(name) else: fval.write(name) else: ftrain.write(name) ftrainval.close()ftrain.close()fval.close()ftest.close()

運行test.py代碼之后，生成如下文件，VOC2007數據集制作完成

3.4、運行voc_annotation.py——生成yolo3所需的train.txt、val.txt、test.txt文件

生成的數據集不能供yolov3直接使用。需要運行voc_annotation.py ，classes以檢測兩個類為例(車和人腿)，在voc_annotation.py需改你的數據集為。

voc_annotation.py文件

import xml.etree.ElementTree as ETfrom os import getcwd# 注意這里的‘2007’，也許你的就需要修改sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]# 注意類別classes = ["car","leg"]def convert_annotation(year, image_id, list_file): # 注意路徑 in_file = open('VOC%s/Annotations/%s.xml'%(year, image_id)) tree=ET.parse(in_file) root = tree.getroot() for obj in root.iter('object'): difficult = obj.find('difficult').text cls = obj.find('name').text if cls not in classes or int(difficult)==1: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') b = (int(xmlbox.find('xmin').text), int(xmlbox.find('ymin').text), int(xmlbox.find('xmax').text), int(xmlbox.find('ymax').text)) list_file.write(" " + ",".join([str(a) for a in b]) + ',' + str(cls_id))wd = getcwd()for year, image_set in sets: # 注意路徑 image_ids = open('VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split() list_file = open('%s_%s.txt'%(year, image_set), 'w') for image_id in image_ids: # 注意路徑 list_file.write('%s/VOC%s/JPEGImages/%s.jpg'%(wd, year, image_id)) convert_annotation(year, image_id, list_file) list_file.write('') list_file.close()

運行之后，生成如下三個文件：

如果出現這種解析xml文件出錯的問題，就打開保存的文件，找到最下面，看看后面一張圖片xml文件格式

3.5、修改參數文件yolo3.cfg

打開yolo3.cfg文件。搜索yolo(共出現三次)，每次按下圖都要修改

參數修改說明：

• filter：3*(5+len(classes))

• classes:你要訓練的類別數(我這里是訓練兩類)

• random：原來是1，顯存小改為0

3.6、修改model_data下的voc_classes.txt為自己訓練的類別

coco,voc這兩個文件都需要修改。

如果類別比較多，可以用下面程序生成voc_classes.txt

classes = ["SIGN_SPEED_5","SIGN_SPEED_20","SIGN_SPEED_30","SIGN_SPEED_40","SIGN_SPEED_50","SIGN_SPEED_60","SIGN_LOAD_LIMITED_30T","SIGN_LOAD_LIMITED_40T","SIGN_LOAD_LIMITED_55T","SIGN_HEIGHT_2_8M","RM_RIGHT","RM_island","RM_Motorway_lane","RM_Crosswalk_lane","RM_No_vehicle_lane","SIGN_Limit_LEFT","SIGN_Limit_Drive","SIGN_Limit_parking","SIGN_Limit_whistle","SIGN_STOP_TO_YIELD","SIGN_Attention_people","SIGN_Attention_child","SIGN_work_Ahead","SIGN_SLOW","SIGN_Limit_trucks","SIGN_Keep_right_road","SIGN_Stop_sign","SIGN_HEIGHT_2_3M"]num2 = len(classes)# xml文件個數list_file = open('20200314.txt', 'w')#list_file.write(classes[0])for classe in classes: list_file.write(classe) list_file.write('')list_file.close()

3.7、 進行訓練——運行mytrain.py代碼

因為程序中有logs/000/目錄，你需要創建這樣一個目錄，這個目錄的作用就是存放自己的數據集訓練得到的模型。不然程序運行到最后會因為找不到該路徑而發生錯誤。生成的模型trained_weights.h5如下

3.8、修改yolo.py文件

如下將self這三行修改為各自對應的路徑

3.9、檢測圖片

運行 python yolo_video.py --image,輸入自己要檢測的類的圖片即可查看訓練效果了。

3.10、出錯總結

• 1、如果是cpu訓練，大概是70s作于一個Epoch，安裝好gpu后，訓練就是100-200ms一個Epoch了。速度提升很多。但是安裝gpu我是搞了兩天，總是提示cudnn版本未初始化啥的，我是cuda10.0 cudnn7.5 ，在經歷了各種tensorflow升級降級，以及各種偏方，最后我將cudnn的版本重新下載為cudnn 7.4，重新配置了一下總算成功。我的版本是tensorflow-gpu 14.0.0+cuda10.0 +cudnn7.4。

• 2、訓練時提示顯存不夠，我也看了網上很多方法，最后把input_shape從默認的419*419改成了128*128的，就成功了。關于那個到1/500的時候突然報錯可以看下是不是因為batch_size太大，我的改成4了，然后那個輸入input_shape改成128*128，然后就順利的跑通了。還有報那個找不到路徑的錯誤，我把VOCdevkit放在keras-yolo3文件夾下就可以了。

Loss值：

四、識別

五、代碼整體框架

介紹代碼框架，以及如何運行

六、界面設計

七、資源下載

全部工程源碼：

訓練數據集：

總結

以上是生活随笔為你收集整理的opencv交通标志识别_教你从零开始做一个基于深度学习的交通标志识别系统的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。