Question

我正在努力训练检测巴基斯坦汽车牌照的模型。我发现了一种叫做YOLO的更快的技术。这是一个链接YOLOv2

我正在关注培训YOLOv2的博客是blog

根据这个博客，我需要有汽车的图像，我需要注释这些图像（需要标记车牌的位置），以准备测试数据和训练数据。问题是我已经有了

形式的训练数据

并且本教程要求我从汽车图像中进行注释。

如果有人与YOLO合作，请告诉我如何避免注释并使用我自己的训练数据来训练YOLO模型。

Answer 1

Yolo训练需要以下注释格式

[class] [X] [Y] [W] [H]

即

0 0.443359 0.434722 0.391406 0.869444

如果注释数据集相同，那么恭喜您开始训练。如果没有，则可以使用github上可用的工具进行转换。

更新：例如，注释是从中心计算的。如果您使用的是x1，y1，x2，y2格式，则需要对其进行转换。

def convert_to_yolo_format(path, x1, y1, x2, y2):
    """
    Definition: Converts (x1, y1, x1, y2) format to
        (x, y, width, height) normalized YOLO format.
    """
    size = get_img_shape(path) # size array [width,height]
    dw = 1./size[0]
    dh = 1./size[1]
    x = (x1 + x2)/2.0 # centroid x
    y = (y1 + y2)/2.0 # centroid y
    w = x2 - x1 # width
    h = y1 - y2 # height
    x = abs(x*dw) # divide by width
    w = abs(w*dw) # divide by width
    y = abs(y*dh) # divide by height
    h = abs(h*dh) # divide by height
    return (x,y,w,h)

Answer 2

我现在也在处理与YOLO的LP认可。如上所述，它是一个不错的选择，总线，为了解决物体检测问题，你需要的训练集不是裸LP，而是自然环境中的＆＃34; LPs＆＃34;训练Yolo找到框架上的LP位置。如果你没有它，但只有一组裸LP，你需要以一些人工的方式生产它。我可以建议1）用负面例子扩展你的训练集（没有LP的图像）2）训练Yolo用于对象分类问题3）处理你没有标记的自然环境＆＃34;使用移动窗口获取分类模型以检测LP地面真实位置（是的，它可以消耗资源......）并因此得到用于物体检测问题的训练集4）训练NN以解决物体检测问题。顺便说一下，您可以使用在步骤2中训练的相同NN，但输入大小较大，并且最后一层更改为检测问题的初始权重（但对于我来说，它并没有提供任何改进，包括跟踪从头开始检测。

使用YOLO检测车牌

2 个答案: