正视图
侧视图
UI图
请务必使用4G及以上的Linux硬件
建议使用Jetson Nano(约26fps) 或树莓派4B (约0.3fps)
2022-05-08更新: 建议使用RKNN(RockChip)代替Jetson.
请务必使用自己的摄像头针对自己的设备添加足够训练集之后再进行训练。
cd Xception
python ./Train.py
注意根据实际路径修改以下内容:
# Configure
# 以下内容请和 Valid.py 中的匹配
## 源图片的总文件夹位置
Base_Dir = "E:/TensorFlow/datasets/garbage_finally/"
train_dir = Base_Dir + "Train"
validation_dir = Base_Dir + "Valid"
log_dir = "./log"
cd Xception
python ./Valid.py
注意根据实际文件路径修改以下内容:
# Configure
## 源图片的总文件夹位置, 尽量保证输入图片的长宽比为1:1即可, 程序会自动缩放。
Base_Dir = '../../datasets/garbage_finally/'
## 权重文件的位置
Weight_File_Path = "./weights/epoch-140-val_acc-0.9651-acc_top3-1.0000-acc_top5-1.0000.hdf5"
cd Xception
python ./Live.py
至此, Xception图像分类部分完毕。但是仍然无法进行实际的图像识别流程, 原因如下文 Xception具体操作流程。
cd Xception
tensorboard --logdir ./log
然后根据提示访问对应网址即可
由于图像分类无法对未知物体或无物体时的结果进行正确预测, 所以需要进行一些预处理。
由于RK3399, Jetson Nano等廉价Linux开发板算力较弱无法流畅运行yolov4, 外加yolov4训练对电脑需求过高, 故本项目不再使用yolov4实现。
本项目使用了基于华为垃圾分类竞赛数据集基础上的拓展数据集 (读起来真拗口。。)
本项目使用的源dataset (VOC格式): https://aistudio.baidu.com/aistudio/datasetdetail/70610
本项目使用的源dataset (图像分类格式):
我根据比赛要求改进的dataset:
Classification
yolo-mark
需要配置Darknet环境。
由于竞赛需求, 本人只使用了上述数据集的部分种类
classes = {"干电池" : 0, "陶瓷器皿" : 1, "易拉罐" : 2, "烟蒂" : 3, "果皮果肉" : 4, "菜帮菜叶" : 5, "饮料瓶" : 6}
本人的 yolo-fastest 实现:
使用方法:
cd yolo-fastest
darknet detector demo .\train.data .\yolo-fastest.cfg .\backup\yolo-fastest_best.weights -c 0
但是实测效果一般, 故比赛中又改为了 Xception。
暂未整理
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent