使用 YOLOV8 和 KerasCV 进行高效的目标检测
作者： Gitesh Chawda
创建日期 2023/06/26
上次修改日期 2023/06/26
描述：使用 KerasCV 训练自定义 YOLOV8 目标检测模型。
简介
KerasCV 是 Keras 的一个扩展，用于计算机视觉任务。在本例中，我们将了解如何使用 KerasCV 训练 YOLOV8 目标检测模型。
KerasCV 包括用于流行计算机视觉数据集（如 ImageNet、COCO 和 Pascal VOC）的预训练模型，可用于迁移学习。KerasCV 还提供了一系列可视化工具，用于检查模型学习的中间表示，以及可视化目标检测和分割任务的结果。
如果您有兴趣了解使用 KerasCV 进行目标检测，我强烈建议您查看 lukewood 创建的指南。此资源位于 使用 KerasCV 进行目标检测，提供了使用 KerasCV 构建目标检测模型所需的基本概念和技术的全面概述。
!pip install --upgrade git+https://github.com/keras-team/keras-cv -q
[33mWARNING: Running pip as the 'root' user can result in broken permissions and conflicting behaviour with the system package manager. It is recommended to use a virtual environment instead: https://pip.pythonlang.cn/warnings/venv[0m[33m
[0m
设置
import os
from tqdm.auto import tqdm
import xml.etree.ElementTree as ET
import tensorflow as tf
from tensorflow import keras
import keras_cv
from keras_cv import bounding_box
from keras_cv import visualization
/opt/conda/lib/python3.10/site-packages/tensorflow_io/python/ops/__init__.py:98: UserWarning: unable to load libtensorflow_io_plugins.so: unable to open file: libtensorflow_io_plugins.so, from paths: ['/opt/conda/lib/python3.10/site-packages/tensorflow_io/python/ops/libtensorflow_io_plugins.so']
caused by: ['/opt/conda/lib/python3.10/site-packages/tensorflow_io/python/ops/libtensorflow_io_plugins.so: undefined symbol: _ZN3tsl6StatusC1EN10tensorflow5error4CodeESt17basic_string_viewIcSt11char_traitsIcEENS_14SourceLocationE']
warnings.warn(f"unable to load libtensorflow_io_plugins.so: {e}")
/opt/conda/lib/python3.10/site-packages/tensorflow_io/python/ops/__init__.py:104: UserWarning: file system plugins are not loaded: unable to open file: libtensorflow_io.so, from paths: ['/opt/conda/lib/python3.10/site-packages/tensorflow_io/python/ops/libtensorflow_io.so']
caused by: ['/opt/conda/lib/python3.10/site-packages/tensorflow_io/python/ops/libtensorflow_io.so: undefined symbol: _ZTVN10tensorflow13GcsFileSystemE']
warnings.warn(f"file system plugins are not loaded: {e}")
加载数据
在本指南中，我们将使用从 roboflow 获取的自动驾驶汽车数据集。为了使数据集更易于管理，我提取了较大数据集的一个子集，该数据集最初包含 15,000 个数据样本。从这个子集中，我选择了 7,316 个样本用于模型训练。
为了简化手头的任务并集中我们的精力，我们将使用减少的对象类别数量。具体来说，我们将考虑五个主要类别进行检测和分类：汽车、行人、交通灯、骑车人和卡车。这些类别代表了在自动驾驶汽车环境中遇到的一些最常见和最重要的物体。
通过将数据集缩小到这些特定类别，我们可以专注于构建一个能够准确识别和分类这些重要对象的鲁棒的目标检测模型。
TensorFlow Datasets 库提供了一种方便的方法来下载和使用各种数据集，包括目标检测数据集。对于那些希望快速开始使用数据而无需手动下载和预处理数据的人来说，这可能是一个不错的选择。
您可以在此处查看各种目标检测数据集 TensorFlow Datasets
但是，在本代码示例中，我们将演示如何使用 TensorFlow 的 tf.data 管道从头开始加载数据集。这种方法提供了更大的灵活性，并允许您根据需要自定义预处理步骤。
加载 TensorFlow Datasets 库中不可用的自定义数据集是使用 tf.data 管道的主要优势之一。这种方法允许您创建适合数据集特定需求和要求的自定义数据预处理管道。
超参数
SPLIT_RATIO = 0.2
BATCH_SIZE = 4
LEARNING_RATE = 0.001
EPOCH = 5
GLOBAL_CLIPNORM = 10.0
创建一个字典，将每个类名映射到唯一的数字标识符。此映射用于在目标检测任务的训练和推理过程中编码和解码类标签。
class_ids = [
"car",
"pedestrian",
"trafficLight",
"biker",
"truck",
]
class_mapping = dict(zip(range(len(class_ids)), class_ids))
# Path to images and annotations
path_images = "/kaggle/input/dataset/data/images/"
path_annot = "/kaggle/input/dataset/data/annotations/"
# Get all XML file paths in path_annot and sort them
xml_files = sorted(
[
os.path.join(path_annot, file_name)
for file_name in os.listdir(path_annot)
if file_name.endswith(".xml")
]
)
# Get all JPEG image file paths in path_images and sort them
jpg_files = sorted(
[
os.path.join(path_images, file_name)
for file_name in os.listdir(path_images)
if file_name.endswith(".jpg")
]
)
下面的函数读取 XML 文件并查找图像名称和路径，然后迭代 XML 文件中的每个对象以提取每个对象的边界框坐标和类标签。
该函数返回三个值：图像路径、边界框列表（每个边界框表示为四个浮点数的列表：xmin、ymin、xmax、ymax）以及与每个边界框对应的类别 ID 列表（表示为整数）。类别 ID 通过使用名为class_mapping的字典将类别标签映射到整数值来获得。
def parse_annotation(xml_file):
tree = ET.parse(xml_file)
root = tree.getroot()
image_name = root.find("filename").text
image_path = os.path.join(path_images, image_name)
boxes = []
classes = []
for obj in root.iter("object"):
cls = obj.find("name").text
classes.append(cls)
bbox = obj.find("bndbox")
xmin = float(bbox.find("xmin").text)
ymin = float(bbox.find("ymin").text)
xmax = float(bbox.find("xmax").text)
ymax = float(bbox.find("ymax").text)
boxes.append([xmin, ymin, xmax, ymax])
class_ids = [
list(class_mapping.keys())[list(class_mapping.values()).index(cls)]
for cls in classes
]
return image_path, boxes, class_ids
image_paths = []
bbox = []
classes = []
for xml_file in tqdm(xml_files):
image_path, boxes, class_ids = parse_annotation(xml_file)
image_paths.append(image_path)
bbox.append(boxes)
classes.append(class_ids)
0%| | 0/7316 [00:00<?, ?it/s]
这里我们使用tf.ragged.constant从bbox和classes列表创建参差不齐的张量。参差不齐的张量是一种张量类型，可以处理沿一个或多个维度的数据长度变化。这在处理具有可变长度序列的数据（例如文本或时间序列数据）时非常有用。
classes = [
[8, 8, 8, 8, 8], # 5 classes
[12, 14, 14, 14], # 4 classes
[1], # 1 class
[7, 7], # 2 classes
...]
bbox = [
[[199.0, 19.0, 390.0, 401.0],
[217.0, 15.0, 270.0, 157.0],
[393.0, 18.0, 432.0, 162.0],
[1.0, 15.0, 226.0, 276.0],
[19.0, 95.0, 458.0, 443.0]], #image 1 has 4 objects
[[52.0, 117.0, 109.0, 177.0]], #image 2 has 1 object
[[88.0, 87.0, 235.0, 322.0],
[113.0, 117.0, 218.0, 471.0]], #image 3 has 2 objects
...]
在这种情况下，bbox和classes列表对于每个图像具有不同的长度，具体取决于图像中对象的数量以及相应的边界框和类别。为了处理这种可变性，使用参差不齐的张量而不是常规张量。
稍后，这些参差不齐的张量将用于使用from_tensor_slices方法创建tf.data.Dataset。此方法通过沿第一个维度切片输入张量来从输入张量创建数据集。通过使用参差不齐的张量，数据集可以处理每个图像的可变长度数据，并为进一步处理提供灵活的输入管道。
bbox = tf.ragged.constant(bbox)
classes = tf.ragged.constant(classes)
image_paths = tf.ragged.constant(image_paths)
data = tf.data.Dataset.from_tensor_slices((image_paths, classes, bbox))
将数据拆分为训练数据和验证数据
# Determine the number of validation samples
num_val = int(len(xml_files) * SPLIT_RATIO)
# Split the dataset into train and validation sets
val_data = data.take(num_val)
train_data = data.skip(num_val)
让我们看看数据加载和边界框格式化以开始操作。KerasCV 中的边界框具有预定的格式。为此，您必须将边界框捆绑到符合以下要求的字典中
bounding_boxes = {
# num_boxes may be a Ragged dimension
'boxes': Tensor(shape=[batch, num_boxes, 4]),
'classes': Tensor(shape=[batch, num_boxes])
}
字典有两个键，'boxes'和'classes'，每个键都映射到 TensorFlow RaggedTensor 或 Tensor 对象。'boxes'张量的形状为[batch, num_boxes, 4]，其中batch是批次中图像的数量，num_boxes是任何图像中边界框的最大数量。4表示定义边界框所需的四个值：xmin、ymin、xmax、ymax。
'classes'张量的形状为[batch, num_boxes]，其中每个元素表示'boxes'张量中相应边界框的类别标签。num_boxes维度可能是参差不齐的，这意味着每个批次中图像的框数可能有所不同。
最终字典应该是
{"images": images, "bounding_boxes": bounding_boxes}
def load_image(image_path):
image = tf.io.read_file(image_path)
image = tf.image.decode_jpeg(image, channels=3)
return image
def load_dataset(image_path, classes, bbox):
# Read Image
image = load_image(image_path)
bounding_boxes = {
"classes": tf.cast(classes, dtype=tf.float32),
"boxes": bbox,
}
return {"images": tf.cast(image, tf.float32), "bounding_boxes": bounding_boxes}
在这里，我们创建一个层，将图像调整为 640x640 像素，同时保持原始纵横比。与图像关联的边界框以xyxy格式指定。如有必要，调整大小的图像将用零填充以保持原始纵横比。
KerasCV 支持的边界框格式：1. CENTER_XYWH 2. XYWH 3. XYXY 4. REL_XYXY 5. REL_XYWH 6. YXYX 7. REL_YXYX
您可以在文档中阅读有关 KerasCV 边界框格式的更多信息。
此外，可以在任何两对之间执行格式转换
boxes = keras_cv.bounding_box.convert_format(
bounding_box,
images=image,
source="xyxy", # Original Format
target="xywh", # Target Format (to which we want to convert)
)
数据增强
构建目标检测管道时最具挑战性的任务之一是数据增强。它涉及对输入图像应用各种转换，以增加训练数据的多样性并提高模型的泛化能力。但是，在处理目标检测任务时，它变得更加复杂，因为这些转换需要了解底层边界框并相应地更新它们。
KerasCV 为边界框增强提供了原生支持。KerasCV 提供了大量专门设计用于处理边界框的数据增强层。这些层在图像转换时智能地调整边界框坐标，确保边界框保持准确并与增强图像对齐。
通过利用 KerasCV 的功能，开发人员可以方便地将其目标检测管道集成到边界框友好的数据增强中。通过在 tf.data 管道中执行动态增强，该过程变得无缝且高效，从而实现更好的训练和更准确的目标检测结果。
augmenter = keras.Sequential(
layers=[
keras_cv.layers.RandomFlip(mode="horizontal", bounding_box_format="xyxy"),
keras_cv.layers.RandomShear(
x_factor=0.2, y_factor=0.2, bounding_box_format="xyxy"
),
keras_cv.layers.JitteredResize(
target_size=(640, 640), scale_factor=(0.75, 1.3), bounding_box_format="xyxy"
),
]
)
创建训练数据集
train_ds = train_data.map(load_dataset, num_parallel_calls=tf.data.AUTOTUNE)
train_ds = train_ds.shuffle(BATCH_SIZE * 4)
train_ds = train_ds.ragged_batch(BATCH_SIZE, drop_remainder=True)
train_ds = train_ds.map(augmenter, num_parallel_calls=tf.data.AUTOTUNE)
创建验证数据集
resizing = keras_cv.layers.JitteredResize(
target_size=(640, 640),
scale_factor=(0.75, 1.3),
bounding_box_format="xyxy",
)
val_ds = val_data.map(load_dataset, num_parallel_calls=tf.data.AUTOTUNE)
val_ds = val_ds.shuffle(BATCH_SIZE * 4)
val_ds = val_ds.ragged_batch(BATCH_SIZE, drop_remainder=True)
val_ds = val_ds.map(resizing, num_parallel_calls=tf.data.AUTOTUNE)
可视化
def visualize_dataset(inputs, value_range, rows, cols, bounding_box_format):
inputs = next(iter(inputs.take(1)))
images, bounding_boxes = inputs["images"], inputs["bounding_boxes"]
visualization.plot_bounding_box_gallery(
images,
value_range=value_range,
rows=rows,
cols=cols,
y_true=bounding_boxes,
scale=5,
font_scale=0.7,
bounding_box_format=bounding_box_format,
class_mapping=class_mapping,
)
visualize_dataset(
train_ds, bounding_box_format="xyxy", value_range=(0, 255), rows=2, cols=2
)
visualize_dataset(
val_ds, bounding_box_format="xyxy", value_range=(0, 255), rows=2, cols=2
)
我们需要从预处理字典中提取输入，并准备好将其馈送到模型中。
def dict_to_tuple(inputs):
return inputs["images"], inputs["bounding_boxes"]
train_ds = train_ds.map(dict_to_tuple, num_parallel_calls=tf.data.AUTOTUNE)
train_ds = train_ds.prefetch(tf.data.AUTOTUNE)
val_ds = val_ds.map(dict_to_tuple, num_parallel_calls=tf.data.AUTOTUNE)
val_ds = val_ds.prefetch(tf.data.AUTOTUNE)
创建模型
YOLOv8 是一种用于各种计算机视觉任务（例如目标检测、图像分类和实例分割）的尖端 YOLO 模型。YOLOv5 的创建者 Ultralytics 也开发了 YOLOv8，与前代产品相比，它在架构和开发人员体验方面包含了许多改进和变化。YOLOv8 是最新的最先进模型，在业界备受推崇。
下表比较了五个不同 YOLOv8 模型（以像素为单位测量）的性能指标：YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l 和 YOLOv8x。指标包括验证数据的不同交并比 (IoU) 阈值下的平均精度 (mAP) 值、使用 ONNX 格式和 A100 TensorRT 的 CPU 推理速度、参数数量以及浮点运算 (FLOPs) 数量（分别以百万和十亿为单位）。随着模型大小的增加，mAP、参数和 FLOPs 通常会增加，而速度会降低。YOLOv8x 具有最高的 mAP、参数和 FLOPs，但推理速度也最慢，而 YOLOv8n 的大小最小，推理速度最快，mAP、参数和 FLOPs 最低。
| 模型 | 大小
(像素) | mAPval
50-95 | 速度
CPU ONNX
(毫秒) | 速度
A100 TensorRT
(毫秒) | 参数
(M) | FLOPs
(B) | | ------------------------------------------------------------------------------------ | --------------------- | -------------------- | ------------------------------ | ----------------------------------- | ------------------ | ----------------- | | YOLOv8n | 640 | 37.3 | 80.4 | 0.99 | 3.2 | 8.7 | | YOLOv8s | 640 | 44.9 | 128.4 | 1.20 | 11.2 | 28.6 | | YOLOv8m | 640 | 50.2 | 234.7 | 1.83 | 25.9 | 78.9 | | YOLOv8l | 640 | 52.9 | 375.2 | 2.39 | 43.7 | 165.2 | | YOLOv8x | 640 | 53.9 | 479.1 | 3.53 | 68.2 | 257.8 |
您可以在此RoboFlow 博客中阅读有关 YOLOV8 及其架构的更多信息
首先，我们将创建一个骨干实例，该实例将由我们的 yolov8 检测器类使用。
KerasCV 中可用的 YOLOV8 骨干
- 无权重
1. yolo_v8_xs_backbone
2. yolo_v8_s_backbone
3. yolo_v8_m_backbone
4. yolo_v8_l_backbone
5. yolo_v8_xl_backbone
- 使用预训练的 coco 权重
backbone = keras_cv.models.YOLOV8Backbone.from_preset(
"yolo_v8_s_backbone_coco" # We will use yolov8 small backbone with coco weights
)
1. yolo_v8_xs_backbone_coco
2. yolo_v8_s_backbone_coco
2. yolo_v8_m_backbone_coco
2. yolo_v8_l_backbone_coco
2. yolo_v8_xl_backbone_coco
Downloading data from https://storage.googleapis.com/keras-cv/models/yolov8/coco/yolov8_s_backbone.h5
20596968/20596968 [==============================] - 0s 0us/step
接下来，让我们使用YOLOV8Detector构建 YOLOV8 模型，它接受特征提取器作为backbone参数、一个指定要检测的对象类数量的num_classes参数（基于class_mapping列表的大小）、一个通知模型数据集中的 bbox 格式的bounding_box_format参数，以及最后，特征金字塔网络 (FPN) 深度由fpn_depth参数指定。
借助 KerasCV，使用任何上述骨干构建 YOLOV8 非常简单。
yolo = keras_cv.models.YOLOV8Detector(
num_classes=len(class_mapping),
bounding_box_format="xyxy",
backbone=backbone,
fpn_depth=1,
)
编译模型
YOLOV8 使用的损失
-
分类损失：此损失函数计算预测类概率与实际类概率之间的差异。在本例中，使用了
binary_crossentropy，这是解决二元分类问题的一种流行方法。我们使用二元交叉熵，因为每个检测到的对象要么被归类为属于某个对象类，要么不属于（例如人、汽车等）。 -
框损失：
box_loss是用于衡量预测边界框与真实边界框之间差异的损失函数。在本例中，使用完整 IoU (CIoU) 度量，它不仅测量预测边界框与真实边界框之间的重叠，还考虑纵横比、中心距离和框大小的差异。这些损失函数共同有助于优化模型以进行目标检测，方法是最大程度地减少预测类概率和边界框与真实类概率和边界框之间的差异。
optimizer = tf.keras.optimizers.Adam(
learning_rate=LEARNING_RATE,
global_clipnorm=GLOBAL_CLIPNORM,
)
yolo.compile(
optimizer=optimizer, classification_loss="binary_crossentropy", box_loss="ciou"
)
COCO 度量回调
我们将使用 KerasCV 中的BoxCOCOMetrics来评估模型并计算 Map（平均精度）分数、召回率和精确率。当 mAP 分数提高时，我们还会保存模型。
class EvaluateCOCOMetricsCallback(keras.callbacks.Callback):
def __init__(self, data, save_path):
super().__init__()
self.data = data
self.metrics = keras_cv.metrics.BoxCOCOMetrics(
bounding_box_format="xyxy",
evaluate_freq=1e9,
)
self.save_path = save_path
self.best_map = -1.0
def on_epoch_end(self, epoch, logs):
self.metrics.reset_state()
for batch in self.data:
images, y_true = batch[0], batch[1]
y_pred = self.model.predict(images, verbose=0)
self.metrics.update_state(y_true, y_pred)
metrics = self.metrics.result(force=True)
logs.update(metrics)
current_map = metrics["MaP"]
if current_map > self.best_map:
self.best_map = current_map
self.model.save(self.save_path) # Save the model when mAP improves
return logs
训练模型
yolo.fit(
train_ds,
validation_data=val_ds,
epochs=3,
callbacks=[EvaluateCOCOMetricsCallback(val_ds, "model.h5")],
)
Epoch 1/3
1463/1463 [==============================] - 633s 390ms/step - loss: 10.1535 - box_loss: 2.5659 - class_loss: 7.5876 - val_loss: 3.9852 - val_box_loss: 3.1973 - val_class_loss: 0.7879 - MaP: 0.0095 - MaP@[IoU=50]: 0.0193 - MaP@[IoU=75]: 0.0074 - MaP@[area=small]: 0.0021 - MaP@[area=medium]: 0.0164 - MaP@[area=large]: 0.0010 - Recall@[max_detections=1]: 0.0096 - Recall@[max_detections=10]: 0.0160 - Recall@[max_detections=100]: 0.0160 - Recall@[area=small]: 0.0034 - Recall@[area=medium]: 0.0283 - Recall@[area=large]: 0.0010
Epoch 2/3
1463/1463 [==============================] - 554s 378ms/step - loss: 2.6961 - box_loss: 2.2861 - class_loss: 0.4100 - val_loss: 3.8292 - val_box_loss: 3.0052 - val_class_loss: 0.8240 - MaP: 0.0077 - MaP@[IoU=50]: 0.0197 - MaP@[IoU=75]: 0.0043 - MaP@[area=small]: 0.0075 - MaP@[area=medium]: 0.0126 - MaP@[area=large]: 0.0050 - Recall@[max_detections=1]: 0.0088 - Recall@[max_detections=10]: 0.0154 - Recall@[max_detections=100]: 0.0154 - Recall@[area=small]: 0.0075 - Recall@[area=medium]: 0.0191 - Recall@[area=large]: 0.0280
Epoch 3/3
1463/1463 [==============================] - 558s 381ms/step - loss: 2.5930 - box_loss: 2.2018 - class_loss: 0.3912 - val_loss: 3.4796 - val_box_loss: 2.8472 - val_class_loss: 0.6323 - MaP: 0.0145 - MaP@[IoU=50]: 0.0398 - MaP@[IoU=75]: 0.0072 - MaP@[area=small]: 0.0077 - MaP@[area=medium]: 0.0227 - MaP@[area=large]: 0.0079 - Recall@[max_detections=1]: 0.0120 - Recall@[max_detections=10]: 0.0257 - Recall@[max_detections=100]: 0.0258 - Recall@[area=small]: 0.0093 - Recall@[area=medium]: 0.0396 - Recall@[area=large]: 0.0226
<keras.callbacks.History at 0x7f3e01ca6d70>
可视化预测
def visualize_detections(model, dataset, bounding_box_format):
images, y_true = next(iter(dataset.take(1)))
y_pred = model.predict(images)
y_pred = bounding_box.to_ragged(y_pred)
visualization.plot_bounding_box_gallery(
images,
value_range=(0, 255),
bounding_box_format=bounding_box_format,
y_true=y_true,
y_pred=y_pred,
scale=4,
rows=2,
cols=2,
show=True,
font_scale=0.7,
class_mapping=class_mapping,
)
visualize_detections(yolo, dataset=val_ds, bounding_box_format="xyxy")
1/1 [==============================] - 0s 115ms/step
