YOLOv8检测LUNA16肺结节实战(二):开始训练

2024-03-22 21:59

本文主要是介绍YOLOv8检测LUNA16肺结节实战(二):开始训练,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

说明:训练的过程,参考了DeepLung的训练形式,进行交叉训练。但不太明白,交叉训练有什么意义和优势?欢迎大家告知。

1、将注释文件(.xml)转化为YOLO格式:xml2txt.py

classes = ["nodule"]# 定义一个函数,将坐标信息转换为YOLO格式
def convert(size, box):dw = 1./(size[0])dh = 1./(size[1])x = (box[0] + box[1])/2.0 - 1y = (box[2] + box[3])/2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn x, y, w, h# 定义一个函数,接受 XML 文件和输出的文本文件作为参数
def convert_annotation(xml_file, txt_file):in_file = open(xml_file, 'r')  # 打开 XML 文件,'r' 表示读取模式out_file = open(txt_file, 'w')  # 打开输出的文本文件,'w' 表示写入模式tree = ET.parse(in_file)  # 使用 ElementTree 解析 XML 文件root = tree.getroot()  # 获取 XML 树的根节点size = root.find('size')  # 在根节点中找到 'size' 元素w = int(size.find('width').text)  # 获取图像宽度h = int(size.find('height').text)  # 获取图像高度# 遍历 XML 文件中的每个 'object' 元素for obj in root.iter('object'):difficult = 0  # difficult默认为0cls = obj.find('name').text  # 获取 'name' 元素的文本内容,即物体类别if cls not in classes or int(difficult)==1:continuecls_id = classes.index(cls)  # 获取类别在类别列表中的索引xmlbox = obj.find('bndbox')  # 获取 'bndbox' 元素b = (float(xmlbox.find('xmin').text),float(xmlbox.find('xmax').text),float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))  # 获取边界框坐标信息# 调用 convert 函数,将坐标信息转换为YOLO格式bb = convert((w, h), b)# 将转换后的信息写入输出文本文件out_file.write(f"{cls_id} {' '.join(map(str, bb))}\n")in_file.close()  # 关闭输入文件out_file.close()  # 关闭输出文件# 指定 bsse 文件目录和 base 保存目录
xml_base_dir = r'/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/'
save_base_dir = r'/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/'# 历遍所有子集,生成*.txt文件
for subset_num in range(10):# 获取文件列表xml_files = glob(os.path.join(xml_base_dir, "subset{}".format(subset_num), "annotations", "*.xml"))print(xml_files)# 指定保存路径save_dir = os.path.join(save_base_dir, "subset{}/".format(subset_num), "labels")# 如果保存路径不存在,则创建if not os.path.exists(save_dir):os.makedirs(save_dir)# 遍历 XML 文件列表中的每个文件for xml_file in xml_files:# 调用 convert_annotation 函数,将 XML 转换为 YOLO 格式,并保存到指定目录convert_annotation(xml_file, os.path.join(save_dir, os.path.basename(xml_file)[:-3] + 'txt'))

2、生成训练集、测试集、验证集:config_training0.py - config_training9.py

# 指定训练集、验证集、测试集和保存文件夹路径
train_folder_list = ['/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/subset1/images','/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/subset2/images','/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/subset3/images','/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/subset4/images','/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/subset5/images','/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/subset6/images','/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/subset7/images','/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/subset8/images','/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/subset9/images']
val_data_path = r'/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/subset0/images'
test_data_path = r'/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/data/subset0/images'
output_dir = r"/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/training/subset0/"
os.makedirs(output_dir, exist_ok=True)  # 如果保存路径不存在,则创建# 获取文件夹中所有图片文件的路径
image_train_paths = []
for folder in train_folder_list:image_train_paths.extend([os.path.join(folder, file) for file in os.listdir(folder) if file.endswith(('.jpg', '.png', '.jpeg'))])
image_val_paths = [os.path.join(val_data_path, file) for file in os.listdir(val_data_path) iffile.endswith(('.jpg', '.png', '.jpeg'))]
image_test_paths = [os.path.join(test_data_path, file) for file in os.listdir(test_data_path) iffile.endswith(('.jpg', '.png', '.jpeg'))]# 指定保存路径
output_train_file = os.path.join(output_dir, "train.txt")
output_val_file = os.path.join(output_dir, "val.txt")
output_test_file = os.path.join(output_dir, "test.txt")# 将训练集每个图片的路径写入文本文件
with open(output_train_file, 'w') as file:for path in image_train_paths:file.write(path + '\n')
print(f"图片路径已保存到 {output_train_file}")# 将验证集每个图片的路径写入文本文件
with open(output_val_file, 'w') as file:for path in image_val_paths:file.write(path + '\n')
print(f"图片路径已保存到 {output_val_file}")# 将测试集每个图片的路径写入文本文件
with open(output_test_file, 'w') as file:for path in image_test_paths:file.write(path + '\n')
print(f"图片路径已保存到 {output_test_file}")

修改以上代码的文件夹路径,生成10个训练集,进行交叉验证

3、修改配置文件:config.yaml

找到配置文件:/home/bsuo/miniconda3/envs/yolov8/lib/python3.8/site-packages/ultralytics/cfg/datasets/coco128.yaml
复制配置文件到:/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/training/subset0/
修改配置文件名为:config.yaml
修改配置文件内容:主要是train.txt、val.txt和test.txt文件路径,以及检测的names

# YOLOv8 Configuration File
train: /media/bsuo/Seagate/CT_image/LUNA_YOLOv8/training/subset0/train.txt
val: /media/bsuo/Seagate/CT_image/LUNA_YOLOv8/training/subset0/val.txt
test:  /media/bsuo/Seagate/CT_image/LUNA_YOLOv8/training/subset0/test.txt# Classes
names:0: nodule

重复以上步骤,让每个subset子文件夹(subset0 - subset9)都有一个不同的config.yaml配置文件(需修改相应的路径)

4、修改模型文件:yolov8.yaml

找到模型文件:/home/bsuo/miniconda3/envs/yolov8/lib/python3.8/site-packages/ultralytics/cfg/models/v8/yolov8.yaml
在原位置,将nc参数(nc: number of classes)改成1,因为只有1个分类(nodule)

nc: 1  # number of classes

5、训练自己的数据集(基于预训练模型):train_all_subsets.py

# 指定基础路径和子文件夹列表
base_path = "/media/bsuo/Seagate/CT_image/LUNA_YOLOv8/training"
base_output_path = "/media/bsuo/Seagate/CT_image/LUNA_YOLOv8"
subset_folders = [f"subset{i}" for i in range(10)]# 遍历每个子文件夹,生成文件路径并运行训练
for i, subset_folder in enumerate(subset_folders):print("开始训练:", subset_folder)# 生成对应的配置文件路径config_path = os.path.join(base_path, subset_folder, "config.yaml")# 指定运行参数command = f"yolo task=detect mode=train model=yolov8x.yaml pretrained=true data={config_path} epochs=150 batch=6 workers=12 device=0"# 创建一个新的文件夹来保存每个子集的结果output_folder = os.path.join(base_output_path, "results", subset_folder)os.makedirs(output_folder, exist_ok=True)# 运行训练命令subprocess.run(command, shell=True, cwd=output_folder)print("训练完成")

训练参数:yolo task=detect mode=train model=yolov8x.yaml pretrained=true data=config.yaml epochs=150 batch=6 workers=12 device=0

6、训练结果:10组交叉训练已经全部完成,花费了大概12天时间

第1组:mAP = 81.5%
第2组:mAP = 78.7%
第3组:mAP = 81.0%
第4组:mAP = 76.2%
第5组:mAP = 79.0%
第6组:mAP = 79.0%
第7组:mAP = 75.9%
第8组:mAP = 75.0%
第9组:mAP = 70.0%
第10组:mAP = 75.8%

以下是第1组训练的mAP:

下一步,将想办法改进代码,希望能获得一个更好的训练结果。

这篇关于YOLOv8检测LUNA16肺结节实战(二):开始训练的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/836282

相关文章

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库,完全使用 Python 语言编写,它对 XPath表达式提供了良好的支 持,因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块,该模块专门用来解析 HTML/XML 文档,下面来介绍一下 lxml 库

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

C#实战|大乐透选号器[6]:实现实时显示已选择的红蓝球数量

哈喽,你好啊,我是雷工。 关于大乐透选号器在前面已经记录了5篇笔记,这是第6篇; 接下来实现实时显示当前选中红球数量,蓝球数量; 以下为练习笔记。 01 效果演示 当选择和取消选择红球或蓝球时,在对应的位置显示实时已选择的红球、蓝球的数量; 02 标签名称 分别设置Label标签名称为:lblRedCount、lblBlueCount

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

滚雪球学Java(87):Java事务处理:JDBC的ACID属性与实战技巧!真有两下子!

咦咦咦,各位小可爱,我是你们的好伙伴——bug菌,今天又来给大家普及Java SE啦,别躲起来啊,听我讲干货还不快点赞,赞多了我就有动力讲得更嗨啦!所以呀,养成先点赞后阅读的好习惯,别被干货淹没了哦~ 🏆本文收录于「滚雪球学Java」专栏,专业攻坚指数级提升,助你一臂之力,带你早日登顶🚀,欢迎大家关注&&收藏!持续更新中,up!up!up!! 环境说明:Windows 10

基于 YOLOv5 的积水检测系统:打造高效智能的智慧城市应用

在城市发展中,积水问题日益严重,特别是在大雨过后,积水往往会影响交通甚至威胁人们的安全。通过现代计算机视觉技术,我们能够智能化地检测和识别积水区域,减少潜在危险。本文将介绍如何使用 YOLOv5 和 PyQt5 搭建一个积水检测系统,结合深度学习和直观的图形界面,为用户提供高效的解决方案。 源码地址: PyQt5+YoloV5 实现积水检测系统 预览: 项目背景

JavaFX应用更新检测功能(在线自动更新方案)

JavaFX开发的桌面应用属于C端,一般来说需要版本检测和自动更新功能,这里记录一下一种版本检测和自动更新的方法。 1. 整体方案 JavaFX.应用版本检测、自动更新主要涉及一下步骤: 读取本地应用版本拉取远程版本并比较两个版本如果需要升级,那么拉取更新历史弹出升级控制窗口用户选择升级时,拉取升级包解压,重启应用用户选择忽略时,本地版本标志为忽略版本用户选择取消时,隐藏升级控制窗口 2.

MiniGPT-3D, 首个高效的3D点云大语言模型,仅需一张RTX3090显卡,训练一天时间,已开源

项目主页:https://tangyuan96.github.io/minigpt_3d_project_page/ 代码:https://github.com/TangYuan96/MiniGPT-3D 论文:https://arxiv.org/pdf/2405.01413 MiniGPT-3D在多个任务上取得了SoTA,被ACM MM2024接收,只拥有47.8M的可训练参数,在一张RTX

springboot实战学习(1)(开发模式与环境)

目录 一、实战学习的引言 (1)前后端的大致学习模块 (2)后端 (3)前端 二、开发模式 一、实战学习的引言 (1)前后端的大致学习模块 (2)后端 Validation:做参数校验Mybatis:做数据库的操作Redis:做缓存Junit:单元测试项目部署:springboot项目部署相关的知识 (3)前端 Vite:Vue项目的脚手架Router:路由Pina:状态管理Eleme