1

我正在尝试训练一个模型来检测巴基斯坦汽车的车牌。我发现了一种更快的技术，叫做 YOLO。这是一个链接YOLOv2

我正在关注的训练 YOLOv2 的博客是这个博客

根据这个博客，我需要有汽车的图像，我需要对这些图像进行注释（需要标记车牌的位置）以准备测试数据和训练数据。问题是我已经有表格的训练数据

样本训练数据

而本教程要求我从这样的汽车图像中进行注释。

在此处输入图像描述

如果有人使用过 YOLO，请告诉我如何避免标注并使用我自己的训练数据来训练 YOLO 模型。

4

2 回答 2

3

Yolo 训练需要以下格式的注解

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

IE

0 0.443359 0.434722 0.391406 0.869444

如果你有相同的标注数据集，恭喜你可以开始训练了。如果你没有相同的，你可以使用 github 上提供的工具进行转换。

更新：注释是从中心计算的，例如。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)
于 2018-06-29T13:49:00.133 回答
0

我现在也用 YOLO 处理 LP 识别。上面提到的bus是个不错的选择，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LP”来训练Yolo在框架上找到LP位置。如果你没有得到它，但只有一组裸 LP，你需要以某种人为的方式生产它。我可以建议 1）用负样本（没有 LP 的图像）扩展你的训练集 2）针对对象分类问题训练 Yolo 3）处理你未标记的“自然环境”训练集，使用移动窗口检测 LP 地面实况位置获得的分类模型（是的，它可能会消耗资源......）因此获得目标检测问题的训练集 4）训练 NN 来解决目标检测问题。顺便一提，

于 2018-05-31T13:58:15.783 回答