前言
YOLO作为单阶段检测方法，可以直接端到端的输出目标对象位置和类别，而在一些大型无人机遥感等目标检测任务中，使用单阶段检测往往会产生类别预测错误的问题。 正好，YOLOv5-6.2版本提供了一个图像分类的网络，那么就可以借此将YOLOv5进行改造，分离检测和识别的过程。 一阶段识别目标，并将目标框裁剪出来得到图片，然后输入到图像分类网络进行筛选，最后进行显示。
编码规则设定
这个思路的核心是设定一套编码规则，来让两阶段能够平滑地进行过渡。 我的思路是将一个裁剪出的对象直接通过文件名来和对应的label标签进行绑定，具体规则如下： 以下面这幅图片命名为例：
DJI_0001_03700__0.367188__0.738889__0.009375__0.025926.jpg
- DJI_0001_03700：原始图片名
- 0.367188：目标框水平中心x
- 0.738889：目标框水平中心y
- 0.009375：目标框宽度w
- 0.025926：目标狂高度h
注：上述四值均为百分比数据，取值0-1
想要实现这个操作，就要修改detect.py中的这个部分：
if save_crop:
save_one_box(xyxy, imc, file=save_dir / 'crops' / names[c] / f'{p.stem}.jpg', BGR=True, xywh=xywh)save_one_box位于utils/general.py，修改如下：
def save_one_box(xyxy, im, file='image.jpg', gain=1.02, pad=10, square=False, BGR=False, save=True, xywh=[0, 0 ,0 ,0]):
# Save image crop as {file} with crop size multiple {gain} and {pad} pixels. Save and/or return crop
xyxy = torch.tensor(xyxy).view(-1, 4)
b = xyxy2xywh(xyxy) # boxes
if square:
b[:, 2:] = b[:, 2:].max(1)[0].unsqueeze(1) # attempt rectangle to square
b[:, 2:] = b[:, 2:] * gain pad # box wh * gain pad
xyxy = xywh2xyxy(b).long()
clip_coords(xyxy, im.shape)
crop = im[int(xyxy[0, 1]):int(xyxy[0, 3]), int(xyxy[0, 0]):int(xyxy[0, 2]), ::(1 if BGR else -1)]
if save:
# print(xywh) # [0.952343761920929, 0.5180555582046509, 0.04843749850988388, 0.03611111268401146]
x = '%.6f' % xywh[0]
y = '%.6f' % xywh[1]
w = '%.6f' % xywh[2]
h = '%.6f' % xywh[3]
save_path = str(increment_crop_path(file, mkdir=True).with_suffix('.jpg'))
save_path = save_path.split('.')[0] '__' str(x) '__' str(y) '__' str(w) '__' str(h) '.jpg'
cv2.imwrite(save_path, crop)
return crop数据准备和检测
首先和通常一样训练一样，准备数据集，训练好模型。
然后运行detect.py，注意save-crop参数设为True，检测完之后，可以得到输出结果：
数据分类
下面进入到二阶段的图像分类的训练，在开始之前，需要拉取YOLOv5仓库的最新版本，注意不要拉取Tag6.2版本，该版本在图像分类识别中仅支持单文件识别，而最新版本已经支持文件夹的批量识别。
然后需要人工对数据进行一个校正，因为单阶段输出的很多类别是存在错误的，需要手工处理，将其划分到正确的文件夹，同时对一些虚检的对象进行剔除。这一步可能比较费劲，特别是处理小物体时，有时候比较难判断。
然后， 需要对数据进行一个划分，可以通过手动或程序的方式划分成train和test，结构如下图所示(图中数据类别做了脱敏处理)：
准备好数据之后，运行classify/train.py：
注意这里图片尺寸的设置可以设置为图片的长边尺寸
训练完之后，得到模型，然后将所有数据放到同一个文件夹里进行检测，即抛弃各种类别，混到同一个文件夹。
然后运行classify/predict.py进行识别，识别完成的结果如下：
这里每一张图片会对应一个label，label中包含了最大5个类别的概率和名称。
格式转换与可视化
下面就需要把识别出来的结果转回到YOLO检测格式。
编写脚本cls2corp.py
# -- coding: utf-8 --
"""
@Time：2022-11-03 11:36
@Author：zstar
@File：cls2corp.py
@Describe：将yolov5分类结果转换为crop文件夹
"""
import os
from pathlib import Path
import shutil
from tqdm import tqdm
classes = ['class1', 'class2', 'class3'] # 这里修改为自己的类别
cls_path = 'runs/predict-cls/exp2'
labels_path = Path('cls_result')
value_threshold = 0.5 # 阈值，概率大于该阈值才会进行显示
if __name__ == '__main__':
if labels_path.exists():
shutil.rmtree(labels_path)
os.mkdir(labels_path)
for i in classes:
dir = labels_path.joinpath(i)
if dir.exists():
shutil.rmtree(dir)
os.mkdir(dir)
for img in tqdm(os.listdir(cls_path)):
suffix = img[-4:]
if suffix == ".jpg" or suffix == ".png":
img_name = img[:-4]
for label in os.listdir(Path(f"{cls_path}/{'labels'}")):
label_name = label[:-4]
if img_name == label_name:
with open(f"{cls_path}/{'labels'}/{label}", 'r', encoding='utf-8') as f:
lines = f.readline()
value = lines.split(" ")[0]
cls = lines.split(" ")[1].strip()
break
if float(value) >= value_threshold:
shutil.copy(Path(f"{cls_path}/{img}"), Path(f"{labels_path}/{cls}"))这里设定一个阈值value_threshold，主要考虑到虚检情况，对于一些模糊或者没有对象的图片，它的每一个类别概率都不超过0.5，此时就把这个对象给抛弃。
运行完之后，可以在cls_result中得到每个类别的对应图片，这里取概率值最大的图片作为一个对象的识别类别。
然后要把这个文件夹的内容还原成labels，编写脚本crop_merge.py
# -- coding: utf-8 --
"""
@Time：2022-10-15 9:36
@Author：zstar
@File：crop_merge.py
@Describe：将cls_result文件夹图片根据类别融合成labels
"""
import os
from pathlib import Path
import shutil
from tqdm import tqdm
classes = ['class1', 'class2', 'class3'] # 这里修改为自己的类别
crops_path = 'cls_result'
labels_path = Path('cls_labels')
if __name__ == '__main__':
# 由于后续是追加写入txt，因此先要删除labels，再进行创建
if labels_path.exists():
shutil.rmtree(labels_path)
os.mkdir(labels_path)
for dir_class in tqdm(os.listdir(crops_path)):
index = classes.index(dir_class) # 根据类别顺序分配0-5
for img in os.listdir(Path(f"{crops_path}/{dir_class}")):
img = img[:-4] # 去除文件名后缀
parts = img.split('__')
img_name = parts[0]
x = float(parts[1])
y = float(parts[2])
w = float(parts[3])
h = float(parts[4])
line = (index, x, y, w, h)
with open('cls_labels' '/' img_name '.txt', mode='a') as f:
f.write(('%g ' * len(line)).rstrip() % line 'n')运行完后，得到如下结果：
最后就是把生成的labels在原图上标记出来，编写可视化脚本visualize.py
# -- coding: utf-8 --
"""
@Time：2022-10-15 10:30
@Author：zstar
@File：visualize.py
@Describe：将生成的labels添加到图片中可视化，输出visualize_output
"""
import os
import shutil
from pathlib import Path
import numpy as np
import cv2
from tqdm import tqdm
# 修改输入图片文件夹
img_folder = "D:/Desktop/Work/XDUAV-dataset/images/"
img_list = os.listdir(img_folder)
img_list.sort()
# 修改输入标签文件夹
label_folder = "cls_labels/"
label_list = os.listdir(label_folder)
label_list.sort()
# 输出图片文件夹位置
path = os.getcwd()
output_folder = path '/' str("visualize_output")
labels = ['class1', 'class2', 'class3'] # 这里修改为自己的类别
colormap = [(0, 255, 0), (132, 112, 255), (255, 255, 255)] # 色盘，可根据类别添加新颜色
# 坐标转换
def xywh2xyxy(x, w1, h1, img):
label, x, y, w, h = x
label = int(label)
# print("原图宽高:nw1={}nh1={}".format(w1, h1))
# 边界框反归一化
x_t = x * w1
y_t = y * h1
w_t = w * w1
h_t = h * h1
# print("反归一化后输出：n第一个:{}t第二个:{}t第三个:{}t第四个:{}tnn".format(x_t, y_t, w_t, h_t))
# 计算坐标
top_left_x = x_t - w_t / 2
top_left_y = y_t - h_t / 2
bottom_right_x = x_t w_t / 2
bottom_right_y = y_t h_t / 2
# print('标签:{}'.format(labels[int(label)]))
# print("左上x坐标:{}".format(top_left_x))
# print("左上y坐标:{}".format(top_left_y))
# print("右下x坐标:{}".format(bottom_right_x))
# print("右下y坐标:{}".format(bottom_right_y))
p1, p2 = (int(top_left_x), int(top_left_y)), (int(bottom_right_x), int(bottom_right_y))
# 绘制矩形框
cv2.rectangle(img, p1, p2, colormap[1], thickness=2, lineType=cv2.LINE_AA)
label = labels[label]
if label:
w, h = cv2.getTextSize(label, 0, fontScale=2 / 3, thickness=2)[0] # text width, height
outside = p1[1] - h - 3 >= 0 # label fits outside box
p2 = p1[0] w, p1[1] - h - 3 if outside else p1[1] h 3
# 绘制矩形框填充
cv2.rectangle(img, p1, p2, colormap[1], -1, cv2.LINE_AA)
# 绘制标签
cv2.putText(img, label, (p1[0], p1[1] - 2 if outside else p1[1] h 2), 0, 2 / 3, colormap[2],
thickness=2, lineType=cv2.LINE_AA)
"""
# (可选)给不同目标绘制不同的颜色框
if int(label) == 0:
cv2.rectangle(img, (int(top_left_x), int(top_left_y)), (int(bottom_right_x), int(bottom_right_y)), (0, 255, 0), 2)
elif int(label) == 1:
cv2.rectangle(img, (int(top_left_x), int(top_left_y)), (int(bottom_right_x), int(bottom_right_y)), (255, 0, 0), 2)
"""
return img
if __name__ == '__main__':
# 创建输出文件夹
if Path(output_folder).exists():
shutil.rmtree(output_folder)
os.mkdir(output_folder)
# labels和images可能存在不相等的情况，需要额外判断对应关系
img_index = 0
label_index = 0
for _ in tqdm(range(len(label_list))):
image_path = img_folder "/" img_list[img_index]
label_path = label_folder "/" label_list[label_index]
if img_list[img_index][:-4] != label_list[label_index][:-4]:
img_index = 1
continue
# 读取图像文件
img = cv2.imread(str(image_path))
h, w = img.shape[:2]
# 读取 labels
with open(label_path, 'r') as f:
lb = np.array([x.split() for x in f.read().strip().splitlines()], dtype=np.float32)
# 绘制每一个目标
for x in lb:
# 反归一化并得到左上和右下坐标，画出矩形框
img = xywh2xyxy(x, w, h, img)
"""
# 直接查看生成结果图
cv2.imshow('show', img)
cv2.waitKey(0)
"""
cv2.imwrite(output_folder '/' '{}.png'.format(image_path.split('/')[-1][:-4]), img)
img_index = 1
label_index = 1在visualize_output文件夹下，得到最终效果。
总结
使用二阶段目标检测带来的明显好处是：
- 类别划分更加精准
- 对于虚检目标可以有效剔除
不过存在的问题是：
- 目标尺寸变化范围大时，很难确定输入图片的合适大小
- 对于图像边缘目标，容易造成误判
附录：YOLOv5s和YOLOv5s6区别
在模型训练过程中，我注意到官方提供了新的预训练模型yolov5s6，那么这个预训练模型和yolov5s有什么区别呢？有些博文说yolov5s6是在更大的图像尺寸(1280x1280)得到的，不过这比较片面。
使用python export.py --weight yolov5s.pt --include onnx将其转换成onnx格式后，可以用Netron打开查看其结构：
可以看到，yolov5s6在模型最后的输出部分新增了一个检测头，当然上面也有一些小改动，不过改动不大。
在model/hub/yolov5s6.yaml中，对应了yolov5s6的模型，那么，如果用yolov5s.yaml来加载yolov5s6也是可行的。
在train.py中，这两行代码加载了预训练模型：
model.load_state_dict(csd, strict=False) # load
LOGGER.info(f'Transferred {len(csd)}/{len(model.state_dict())} items from {weights}') # report注意这里的strict=False表示模型如果和预训练模型不匹配，会加载能够匹配上的层权，下面的这个日志打印出了具体有多少匹配上的内容。
因此，模型构建还是由yaml文件来决定的，下面我又做了个小测试，用yolov5.yaml分别来加载yolov5s.pt和yolov5s6.pt，两者得到的best.pt大小存在略微差异，而转换成onnx之后，两者大小一致，印证了结论的正确性。
