大數(shù)據(jù)采集及預(yù)處理技術(shù)*

*目標(biāo)檢測(cè)模型訓(xùn)練序號(hào)軟件配置要求1Windows運(yùn)行計(jì)算機(jī)內(nèi)存8G以上2ultralyticsyolov10模型3python最新版本一、項(xiàng)目目標(biāo)：1、完成表情檢測(cè)模型的訓(xùn)練；2、測(cè)試目標(biāo)檢測(cè)模型性能；二、環(huán)境要求：任務(wù)一數(shù)據(jù)劃分一、任務(wù)目標(biāo)1、了解常見(jiàn)的數(shù)據(jù)劃分方法；2、掌握數(shù)據(jù)劃分程序設(shè)計(jì)方法；二、操作任務(wù)1、導(dǎo)出標(biāo)注的圖像數(shù)據(jù)和標(biāo)注文件。2、將標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練集和驗(yàn)證集劃分。標(biāo)注數(shù)據(jù)整理1）如果圖片和標(biāo)注文本在同一個(gè)文件夾下，需要分開(kāi)放置。2）如果在不同文件夾下，注意圖片名和標(biāo)注文件名對(duì)應(yīng)。3）如當(dāng)前示例，圖片放到imgs文件夾、把txt文件放到annotations文件夾。4）注意：如果提前劃分了訓(xùn)練集和驗(yàn)證集數(shù)據(jù)，此步驟可以省略。標(biāo)注數(shù)據(jù)訓(xùn)練集和驗(yàn)證集劃分importosimportrandomimportshutil#設(shè)置文件路徑和劃分比例root_path="./"image_dir="./imgs/"label_dir="./annotations/"train_ratio=0.7val_ratio=0.3#創(chuàng)建訓(xùn)練集、驗(yàn)證集和測(cè)試集目錄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)#獲取所有圖像文件名image_files=os.listdir(image_dir)total_images=len(image_files)random.shuffle(image_files)#計(jì)算劃分?jǐn)?shù)量train_count=int(total_images*train_ratio)val_count=int(total_images*val_ratio)#劃分訓(xùn)練集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/")#劃分驗(yàn)證集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/")#生成訓(xùn)練集圖片路徑txt文件withopen("train.txt","w")asfile:file.write("\n".join([root_path+"./images/train/"+image_fileforimage_fileintrain_images]))#生成驗(yàn)證集圖片路徑txt文件withopen("val.txt","w")asfile:file.write("\n".join([root_path+"./images/val/"+image_fileforimage_fileinval_images]))print("數(shù)據(jù)劃分完成！")圖片訓(xùn)練集和驗(yàn)證集劃分（1）劃分好的圖片應(yīng)該如由圖所示：在項(xiàng)目中加入images文件夾，文件夾下包括train和val文件夾，分別存儲(chǔ)模型訓(xùn)練圖片和驗(yàn)證圖片。在項(xiàng)目中加入labels文件夾，文件夾下包括train和val文件夾，分別存儲(chǔ)模型訓(xùn)練圖片標(biāo)注文件和驗(yàn)證圖片標(biāo)注文件。如右圖所示：（2）或者提前分好訓(xùn)練集和驗(yàn)證集圖片（存于images文件夾下），然后分別標(biāo)注圖片，把標(biāo)注文件放到labels文件下的train和val文件夾下。如右圖所示：任務(wù)二模型訓(xùn)練一、任務(wù)目標(biāo)1、會(huì)調(diào)用常見(jiàn)的目標(biāo)檢測(cè)模型；2、會(huì)編寫(xiě)YOLO模型訓(xùn)練的數(shù)據(jù)配置文件；3、掌握YOLO模型訓(xùn)練超參數(shù)配置。二、操作任務(wù)1、完成yolov10模型訓(xùn)練配置文件編寫(xiě)。2、完成yolov10模型訓(xùn)練和測(cè)試。模型訓(xùn)練—數(shù)據(jù)配置文件data.yaml特別注意“path”、“train”、“val”、“names”、“0”等后面必須有空格，否則認(rèn)為是一個(gè)字符串#替換成自己標(biāo)注的數(shù)據(jù)集位置path:D:/PycharmProjects/yolov10project/expressiontrain:D:/PycharmProjects/yolov10project/expression/images/trainval:D:/PycharmProjects/yolov10project/expression/images/valnames:0:Aanger#注意冒號(hào)后邊有空格

1:Contempt2:Disgust3:Fear4:Happy5:Neutral6:Sad7:SurprisedYOLOV10模型搭建和訓(xùn)練

訓(xùn)練的模型將保存到run目錄下注意：圖中train4表示第4此訓(xùn)練的模型

注意模型準(zhǔn)確率、損失值等指標(biāo)的變化fromultralyticsimportYOLO#如果第一次執(zhí)行會(huì)自動(dòng)下載yolov10n.pt模型，注意需要可以訪問(wèn)網(wǎng)絡(luò)model=YOLO("yolov10n.pt")#自定義數(shù)據(jù)集位置data="data.yaml"#數(shù)據(jù)集通過(guò)data.yaml文件指定，訓(xùn)練30輪次，批輸入8張圖片，圖大小256*256，學(xué)習(xí)率0.001pcls=model.train(data=data,epochs=50,batch=8,imgsz=256,lr0=0.001)模型測(cè)試fromultralyticsimportYOLO#加載模型model=YOLO(model='runs/detect/train4/weights/best.pt')#測(cè)試圖片results=model(["imgs_test/1.PNG","imgs_test/2.PNG"])fori,resultinenumerate(results):