极验3图标（2）目标检测+分类模型训练（手把手教学包会）

2024-04-18 04:44
文章标签 教学 训练 分类 模型 手把手 目标 检测 图标 包会 极验

本文主要是介绍极验3图标（2）目标检测+分类模型训练（手把手教学包会），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！

由于上次写的图标识别文章不够详细，这次换了一种图标，详细的记录下整个训练过程吧~

在这里插入图片描述
首先是目标检测，用的是yolov5，下载地址：

https://github.com/ultralytics/yolov5

还需下载预训练权重文件，下载地址：

链接：https://pan.baidu.com/s/18SQdhqLsQ5ivPH9M7vhCFg?pwd=8f4e 提取码：8f4e

接着使用代码下载100张图片

# -*-coding:utf-8 -*-"""
# File       : captcha.py
# Time       ：2023/04/23 18:28
# Author     ：ndy
# version    ：python 3.6
# Description：
"""
import re
import time
import requests
import vthreadheaders = {"Accept": "*/*","Accept-Language": "zh-CN,zh;q=0.9","Referer": "https://signin.hworld.com/","User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 13_2_3 like Mac OS X) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/13.0.3 Mobile/15E148 Safari/604.1"
}@vthread.pool(5)
def run():url = "https://www.geetest.com/demo/gt/register-icon?t={}".format(int(time.time()*1000))res = requests.get(url, headers=headers).json()challenge = res['challenge']gt =  res['gt']requests.get('https://api.geetest.com/gettype.php?gt={}&callback=geetest_1713230167590'.format(gt), headers=headers)params = {"gt": gt,"challenge": challenge,"lang": "zh-cn","pt": "0","client_type": "web_mobile","w": "","callback": "geetest_1694485799312"}requests.get("https://api.geevisit.com/ajax.php", headers=headers, params=params)url = "https://apiv6.geetest.com/get.php"params = {"is_next": "true","type": "click","gt": gt,"challenge": challenge,"lang": "zh-cn","https": "true","protocol": "https://","offline": "false","product": "float","api_server": "apiv6.geetest.com","isPC": "true","autoReset": "true","width": "100%","callback": "geetest_1713230318961"}res = requests.get(url, headers=headers, params=params).textimage_path = 'https://static.geetest.com'+re.findall('"pic": "(.*?)"',res)[0]print(image_path)image = requests.get(image_path).contentimg_name = image_path.split('/')[-1]with open('./imgs/{}'.format(img_name),'wb') as f:f.write(image)if __name__ == '__main__':for i in range(100):run()

使用labelimg进行如下标注
在这里插入图片描述
在data下创建如下几个文件夹（注意： images内为数据集原始图片，Annotations内为标注的xml文件）
并将images内文件复制到JPEGIamges中（代码中并没有用到这部分，可以不创建JPEGImages文件夹）
在这里插入图片描述
根目录下创建make_txt.py 文件，代码如下：

import os
import randomtrainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftest.write(name)else:fval.write(name)else:ftrain.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

根目录下继续创建 voc_label.py 文件，代码如下：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test','val']
classes = ['target','char']
def convert(size, box):dw = 1. / size[0]dh = 1. / size[1]x = (box[0] + box[1]) / 2.0y = (box[2] + box[3]) / 2.0w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn (x, y, w, h)
def convert_annotation(image_id):in_file = open('data/Annotations/%s.xml' % (image_id))out_file = open('data/labels/%s.txt' % (image_id), 'w')tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
print(wd)
for image_set in sets:if not os.path.exists('data/labels/'):os.makedirs('data/labels/')image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()list_file = open('data/%s.txt' % (image_set), 'w')for image_id in image_ids:list_file.write('data/images/%s.jpg\n' % (image_id))convert_annotation(image_id)list_file.close()

在这里要注意： 这里的 class =[‘target’,‘char’] 代表数据集需要标注的类别，单引号的内容需要根据你的数据集确定，有几类就写几类。

修改之后，依次执行上面两个py文件，执行成功是这样的

（1） labels下生成txt文件（显示数据集的具体标注数据）
在这里插入图片描述
（2） ImageSets下生成四个txt文件
在这里插入图片描述
（3） data下生成三个txt文件（带有图片的路径）
在这里插入图片描述

修改yaml文件
这里的yaml和以往的cfg文件是差不多的，但需要配置一份属于自己数据集的yaml文件。
复制data目录下的coco.yaml，我这里命名为my.yaml
主要修改三个地方：
在这里插入图片描述
a. 修改train,val,test的路径为自己刚刚生成的路径
b. nc 里的数字代表数据集的类别数
c. names 里为自己数据集标的所有类名称

修改models模型文件
models下有四个模型，smlx需要训练的时间依次增加，按照需求选择一个文件进行修改即可

这里修改了yolov5s.yaml（需要下载权重文件yolo5s.pt），只需要将nc的类别修改为自己需要的即可

在这里插入图片描述
训练train.py
这里需要对train.py文件内的参数进行修改，按照我们的需求需改即可

在这里插入图片描述
weights，cfg，data按照自己所需文件的路径修改即可
epochs迭代次数自己决定，我这里仅用100次进行测试
batch-size过高可能会影响电脑运行速度，还是要根据自己电脑硬件条件决定增加还是减少

最终训练完成后，导出onnx文件

修改export.py以下对应参数并运行
在这里插入图片描述
然后调用目标检测文件，看看效果还是不错的
在这里插入图片描述
最后同样的方法，对图片下载切割后分类，起名字真麻烦，最终类型数是110种。
在这里插入图片描述
接着就是要进行分类训练，先使用以下脚本划分训练集、测试集、验证集图片

# -*-coding:utf-8 -*-"""
# File       : 图片划分.py
# Time       : 2024/4/2 15:01
# Author     : ndy
# version    : 2024
# Description: 
"""
import os
from shutil import copy
import randomdef mkfile(file):if not os.path.exists(file):os.makedirs(file)# 获取data文件夹下所有文件夹名（即需要分类的类名）
file_path = r'分类的图片路径'
save_path = '../classify/datasets/data/'
flower_class = [cla for cla in os.listdir(file_path)]
# 划分比例，训练集 : 测试集 :验证= 7:1:2
split_train = 0.7
split_test = 0.1
split_val = 0.2# 遍历所有类别的全部图像并按比例分成训练集和验证集
for cla in flower_class:cla_path = file_path + '/' + cla + '/'  # 某一类别的子目录images = os.listdir(cla_path)  # iamges 列表存储了该目录下所有图像的名称num = len(images)eval_train = random.sample(images, k=int(num * split_train))  # 从images列表中随机抽取 k 个图像名称eval_val = random.sample(images, k=int(num * split_val))for index, image in enumerate(images):if image in eval_train:image_path = cla_path + imagenew_path = save_path + '/train/' + clamkfile(new_path)copy(image_path, new_path)  # 将选中的图像复制到新路径elif image in eval_val:image_path = cla_path + imagenew_path = save_path + '/val/' + clamkfile(new_path)copy(image_path, new_path)  # 将选中的图像复制到新路径else:image_path = cla_path + imagenew_path = save_path + '/test/' + clamkfile(new_path)copy(image_path, new_path)print("\r[{}] processing [{}/{}]".format(cla, index + 1, num), end="")  # processing barprint()print("processing done!")'''图片尺寸 50*50'''

目录格式如下
在这里插入图片描述
然后修改train.py文件如下配置

在这里插入图片描述
开始训练……

在这里插入图片描述
完成后进行测试下
在这里插入图片描述
最后结合目标检测实现图标点选功能

在这里插入图片描述

分类图片文件已上传至星球（【即将涨价】），可自行进行训练！

同时已上传极验3文字点选源文件，解压即用！

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

这篇关于极验3图标（2）目标检测+分类模型训练（手把手教学包会）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/913794。

相关文章

SpringBoot使用Apache Tika检测敏感信息

SpringBoot使用Apache Tika检测敏感信息

《SpringBoot使用ApacheTika检测敏感信息》ApacheTika是一个功能强大的内容分析工具,它能够从多种文件格式中提取文本、元数据以及其他结构化信息,下面我们来看看如何使用Ap... 目录Tika 主要特性1. 多格式支持2. 自动文件类型检测3. 文本和元数据提取4. 支持 OCR（光学
阅读更多...
Golang的CSP模型简介(最新推荐)

Golang的CSP模型简介(最新推荐)

《Golang的CSP模型简介(最新推荐)》Golang采用了CSP（CommunicatingSequentialProcesses,通信顺序进程）并发模型,通过goroutine和channe... 目录前言一、介绍1. 什么是 CSP 模型2. Goroutine3. Channel4. Channe
阅读更多...
macOS怎么轻松更换App图标? Mac电脑图标更换指南

macOS怎么轻松更换App图标? Mac电脑图标更换指南

《macOS怎么轻松更换App图标?Mac电脑图标更换指南》想要给你的Mac电脑按照自己的喜好来更换App图标？其实非常简单，只需要两步就能搞定,下面我来详细讲解一下... 虽然 MACOS 的个性化定制选项已经「缩水」，不如早期版本那么丰富，www.chinasem.cn但我们仍然可以按照自己的喜好来更换
阅读更多...
手把手教你idea中创建一个javaweb(webapp)项目详细图文教程

手把手教你idea中创建一个javaweb(webapp)项目详细图文教程

《手把手教你idea中创建一个javaweb(webapp)项目详细图文教程》：本文主要介绍如何使用IntelliJIDEA创建一个Maven项目,并配置Tomcat服务器进行运行,过程包括创建... 1.启动idea2.创建项目模板点击项目-新建项目-选择maven，显示如下页面输入项目名称，选择
阅读更多...
如何用Java结合经纬度位置计算目标点的日出日落时间详解

如何用Java结合经纬度位置计算目标点的日出日落时间详解

《如何用Java结合经纬度位置计算目标点的日出日落时间详解》这篇文章主详细讲解了如何基于目标点的经纬度计算日出日落时间,提供了在线API和Java库两种计算方法,并通过实际案例展示了其应用,需要的朋友... 目录前言一、应用示例1、天安门升旗时间2、湖南省日出日落信息二、Java日出日落计算1、在线API2
阅读更多...
Python基于火山引擎豆包大模型搭建QQ机器人详细教程(2024年最新)

Python基于火山引擎豆包大模型搭建QQ机器人详细教程(2024年最新)

《Python基于火山引擎豆包大模型搭建QQ机器人详细教程(2024年最新)》：本文主要介绍Python基于火山引擎豆包大模型搭建QQ机器人详细的相关资料,包括开通模型、配置APIKEY鉴权和SD... 目录豆包大模型概述开通模型付费安装 SDK 环境配置 API KEY 鉴权Ark 模型接口Prompt
阅读更多...
大模型研发全揭秘：客服工单数据标注的完整攻略

大模型研发全揭秘：客服工单数据标注的完整攻略

在人工智能（AI）领域，数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者，掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中，工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注，不仅能够帮助提升客服自动化系统的智能化水平，还能优化客户服务流程，提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行
阅读更多...
基于人工智能的图像分类系统

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务，目标是自动识别图像中的对象类别。通过卷积神经网络（CNN）等深度学习技术，我们可以构建高效的图像分类系统，广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统，包括环境
阅读更多...
认识、理解、分类——acm之搜索

认识、理解、分类——acm之搜索

普通搜索方法有两种：1、广度优先搜索；2、深度优先搜索； 更多搜索方法： 3、双向广度优先搜索； 4、启发式搜索（包括A*算法等）； 搜索通常会用到的知识点：状态压缩（位压缩，利用hash思想压缩）。
阅读更多...
Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人，AI大神Andrej Karpathy，曾是OpenAI联合创始人之一，特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ，宣布将长期致力于AI原生教育。 近日，Andrej Karpathy接受了No Priors（投资博客）的采访，与硅谷知名投资人 Sara Guo 和 Elad G
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2