在RarePlanes數據集上怎么使用YOLOv5

# 在RarePlanes數據集上怎么使用YOLOv5

## 引言

目標檢測是計算機視覺領域的重要任務之一，而YOLOv5作為YOLO系列的最新版本之一，因其高效性和易用性受到廣泛關注。RarePlanes數據集是一個專注于航空影像中飛機檢測的公開數據集，包含合成和真實圖像，適用于軍事和民用領域的應用。本文將詳細介紹如何在RarePlanes數據集上使用YOLOv5進行目標檢測，包括數據準備、模型訓練、評估和推理等步驟。

## 1. 環境準備

在開始之前，需要確保你的系統滿足以下要求：

- Python 3.8或更高版本
- PyTorch 1.7或更高版本
- CUDA（如果使用GPU加速）
- 其他依賴庫（如OpenCV、matplotlib等）

### 1.1 安裝YOLOv5

首先，克隆YOLOv5的官方倉庫并安裝依賴：

```bash
git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt

2. RarePlanes數據集介紹

RarePlanes數據集由CosmiQ Works和.Reverie聯合發布，包含以下特點： - 合成數據：通過模擬生成的航空影像，標注精確。 - 真實數據：來自衛星或航空攝影的真實圖像。 - 標注信息：包括飛機的邊界框、類別（如戰斗機、客機等）和屬性（如機翼形狀、發動機數量等）。

數據集通常以COCO或Pascal VOC格式提供，需要轉換為YOLOv5支持的格式。

2.1 數據集下載

從官方渠道下載RarePlanes數據集： - 訪問RarePlanes官網或.Reverie平臺。 - 下載數據集并解壓到本地目錄，例如data/rareplanes。

2.2 數據集結構

解壓后的數據集結構如下：

rareplanes/
├── train/
│   ├── images/
│   └── labels/
├── val/
│   ├── images/
│   └── labels/
└── test/
    ├── images/
    └── labels/

2.3 數據格式轉換

如果數據集是COCO格式，需要轉換為YOLOv5的TXT格式（每行一個標注，格式為class_id x_center y_center width height）?？梢允褂靡韵履_本：

import json
import os

def coco_to_yolo(coco_json, output_dir):
    with open(coco_json) as f:
        data = json.load(f)
    
    os.makedirs(output_dir, exist_ok=True)
    
    for image in data['images']:
        image_id = image['id']
        file_name = image['file_name']
        width = image['width']
        height = image['height']
        
        annotations = [ann for ann in data['annotations'] if ann['image_id'] == image_id]
        
        with open(os.path.join(output_dir, file_name.replace('.png', '.txt')), 'w') as f:
            for ann in annotations:
                class_id = ann['category_id']
                x, y, w, h = ann['bbox']
                x_center = x + w / 2
                y_center = y + h / 2
                f.write(f"{class_id} {x_center/width} {y_center/height} {w/width} {h/height}\n")

# 示例調用
coco_to_yolo('rareplanes/annotations/train.json', 'rareplanes/train/labels')

3. 配置YOLOv5

3.1 創建數據集配置文件

在yolov5/data/目錄下創建rareplanes.yaml文件，內容如下：

# rareplanes.yaml
train: ../data/rareplanes/train/images
val: ../data/rareplanes/val/images
test: ../data/rareplanes/test/images

# 類別數量和名稱
nc: 5  # 根據實際類別數調整
names: ['fighter', 'passenger', 'cargo', 'helicopter', 'other']  # 示例類別

3.2 選擇模型

YOLOv5提供多種預訓練模型（如YOLOv5s、YOLOv5m、YOLOv5l等）。根據需求選擇： - YOLOv5s：輕量級，適合快速實驗。 - YOLOv5l：更大模型，精度更高。

4. 訓練模型

使用以下命令開始訓練：

python train.py --img 640 --batch 16 --epochs 100 --data data/rareplanes.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --name rareplanes_exp

參數說明： - --img 640：輸入圖像尺寸。 - --batch 16：批次大?。ǜ鶕礼PU顯存調整）。 - --epochs 100：訓練輪數。 - --data：數據集配置文件路徑。 - --cfg：模型配置文件路徑。 - --weights：預訓練權重路徑。 - --name：實驗名稱。

4.1 訓練監控

YOLOv5會自動記錄訓練日志，并通過TensorBoard可視化：

tensorboard --logdir runs/train

5. 模型評估

訓練完成后，使用以下命令評估模型性能：

python val.py --data data/rareplanes.yaml --weights runs/train/rareplanes_exp/weights/best.pt --img 640

輸出包括mAP、精確率、召回率等指標。

6. 模型推理

使用訓練好的模型進行預測：

python detect.py --source ../data/rareplanes/test/images --weights runs/train/rareplanes_exp/weights/best.pt --conf 0.25 --img 640

結果會保存在runs/detect/目錄下。

7. 模型優化

7.1 數據增強

在rareplanes.yaml中配置數據增強參數：

# 數據增強
hsv_h: 0.015  # 色調增強
hsv_s: 0.7    # 飽和度增強
hsv_v: 0.4    # 明度增強
flipud: 0.5   # 上下翻轉概率

7.2 超參數調優

使用hyp.scratch.yaml調整學習率、權重衰減等超參數。

8. 部署模型

將模型導出為ONNX或TorchScript格式以便部署：

python export.py --weights runs/train/rareplanes_exp/weights/best.pt --include onnx

9. 常見問題

9.1 顯存不足

• 減小--batch大小。
• 使用--img 320降低輸入尺寸。

9.2 標注錯誤

• 檢查數據格式是否正確。
• 使用LabelImg等工具可視化標注。

10. 結論

本文詳細介紹了在RarePlanes數據集上使用YOLOv5進行目標檢測的全流程。通過合理配置和調優，YOLOv5可以在航空影像中實現高效的飛機檢測。未來可以嘗試： - 結合更多數據增強提升泛化性。 - 使用更大的模型（如YOLOv5x）提高精度。 - 部署到邊緣設備（如無人機）實現實時檢測。

參考資料

1. YOLOv5官方倉庫：https://github.com/ultralytics/yolov5
2. RarePlanes數據集官網：https://www.cosmiqworks.org/RarePlanes/
3. COCO數據格式說明：https://cocodataset.org/

”`