不使用AI标注快速训练自己的语义分割数据集

标注自己的数据集

准备工作

  1. 首先创建一个文件夹datasets_seg；

  2. 在其中创建一个子文件夹 images，将需要标注的图片（≥100张）放入images文件夹中；

  3. 在“images”同路径下新建一个名字为labels的文件夹，用来存放标注过程中生成的标签文件；

  4. 在“images”同路径下新建一个名字为xxx.yaml的空文件（如该数据集为口罩检测，则命名为mask_seg.yaml）；

  5. 准备好的数据集文件夹如下图所示：

标注数据

如果用户不使用AI对图像进行标注，需要取消程序右下角Use AI选择框的勾选，再进行下面的标注操作。

  1. 双击并运行label_Object_Mask.exe；

  2. 启动之后，这就是软件的界面：

  3. 打开需要标注的数据集文件夹datasets_seg，选择“当前文件夹”；

  4. 同样的选择并加载yaml文件，加载后如下图所示：

  5. 修改图片和标签相对路径为如下图所示：

  6. 点击“载入”，可以看到图片区域已经加载好了待标注图片；

    请注意：如果该图片没有感兴趣的区域，不需要将该图片放到该数据集中

  7. 右边一栏“所有类型”当前什么也没有，可以自己编辑，但ID必须从0开始，逐个加1，标签名字必须是英文（如口罩分割一共一个标签，mask），添加所有要标记的标签；

  8. 添加完毕一定要如下图所示点击保存，然后点击OK，否则无法保存标签名字；

    注意：后续如果新增了标签类型，即所有类型中新增了ID和名字，也请记得一定要点击保存。

  9. 开始标注，将鼠标滑动到图片区域，单击需要开始的区域开始进行开始标注，可以在感兴趣的区域使用多边形勾勒目标，双击鼠标完整本次区域的勾勒框选；

    图片缩放：移动鼠标至图片区域，滑动鼠标滚轮可以实现图片的缩放；

    图片移动：按ctrl+鼠标左键可以上下左右移动图片；

  10. 完成以后，会弹出标签框，可以开始创建标签，也可在下拉框中选择对应标签，点击OK；

  11. 此时对象列表里面就有这个对象了；

  12. 如果图片中还有其他待标注物体，那么重复9，10两步。这个图标注好以后，点“保存一张图片”，就把标注信息存起来了，只要点击了“保存一张图片”了，关掉软件下次再继续标注也没问题。

  13. 点击左边“图片索引”向上箭头，点击OK标注下一张图片。

  14. 若有框错或者框对应的标签选错，则可在对象列表中选中该行，点击“删除标签”；

  15. 全部图片标注完成后，勾选“background”点击“生成语义分割数据集”；

  16. 选择生成语义分割数据集的路径，一般建议选择我们之前存放图片及的路径，即“datasets_seg”；

  17. 之后即可看到success的弹框至此我们的数据集已经准备完毕，关闭label_object.exe；

此时打开datasets文件夹，可以看到新增了四个文件

  • save: 用来保存模型训练的结果，例如训练过程中保存的检查点（checkpoints），模型参数，日志文件等；

  • VOCdevkit:用于训练的数据集；

  • classes.names：文本文件，列出了数据集中所有类别的名称。每一行代表一个类别。这对于语义分割任务来说是必要的，因为模型需要知道每个像素对应的类别；

  • config.ini：这是一个配置文件，用于存储训练和评估模型所需的参数设置。通常包含以下内容：

    • 训练参数：如学习率（learning rate），批次大小（batch size），训练周期数（epochs）等；

    • 数据集路径：如训练数据集和验证数据集的路径；

    • 模型参数：如模型架构，预训练模型路径等；

    • 其他设置：如日志保存路径，检查点保存频率等；

训练数据集

设置参数

  1. 双击运行Segment_Train.exe界面如下图所示：

  2. Python训练文件路径：此项无需更改，软件会自动加载训练所需环境；

  3. ini配置文件: 配置文件，用于存储训练和评估模型所需的参数设置。选择用于训练的 INI 配置文件，演示中选择的是标注生成的config.ini；；

训练配置参数

  1. 加载ini文件之后，会直接显示默认配置参数如下图，可以修改训练配置参数，修改之后，点击save按钮保存修改结果。

  2. 配置参数的具体含义如下：

  • frozen_batch-size：部分冻结时的批量大小。默认值：4，建议设置：根据 GPU 内存情况，通常在 4-32 之间。

  • unfrozen_batch-size：完全解冻时的批量大小。 默认值：2，建议设置：根据 GPU 内存情况，比冻结时的批量大小小一些，通常在 2-16 之间，因为训练所有层可能会占用更多内存。

  • batch_size的设置技巧：在显卡能够接受的范围内，越大越好。另外显存不足与数据集大小无关，提示显存不足（OOM或者CUDA out of memory）请调小batch_size。受到BatchNorm层影响，batch_size的值最小为2，不能为1。正常情况下frozen_batch-size建议为unfrozen_batch-size的1-2倍。不建议设置的差距过大，因为关系到学习率的自动调整。比如frozen_batch-size设置为4，则unfrozen_batch-size建议设置为2；

  • frozen_epoch:部分冻结时训练的轮数。默认值：2，建议设置：根据模型和数据集情况，通常在 50-150 之间

  • unfrozen_epoch：完全解冻时训练的轮数。默认值：4；建议设置：根据模型和数据集情况，通常在 100-300 之间，设置的值一定要比frozen_epoch大。

  • epoch设置技巧：训练分为两个阶段，分别是冻结阶段和解冻阶段。设置冻结阶段是为了满足机器性能不足的同学的训练需求。冻结训练需要的显存较小，显卡非常差的情况下，可设置frozen_epoch等于unfrozen_epoch，此时仅仅进行冻结训练。

  • num_classes: 数据集中类别的数量 根据你的数据集实际类别数进行设置，训练自己的数据集必须要修改的，自己需要的分类个数+1，如2+1，一般标注完成后会生成ini文件，该文件会自动配置好num_classes。

  • image_size :输入图像的尺寸。默认值：512；建议设置：通常设置为 256x256 或 512x512

  • datasets_path: 数据集的路径使用默认值即可；

  • save_path: 模型保存路径，用于保存训练好的模型，使用默认值即可；

开始训练

  1. 所有参数配置好了之后，点击Train；

  2. 弹出的框中点击“是的”开始进行训练；

  3. 训练过程会弹出cmd黑框，请不要关闭，训练完毕会自动关闭，首次训练会自动下载一些必要的文件以及预训练模型，这将会耗费一点时间；

  4. 如下图所示训练了4个epoch，黄色进度条满格，则表示整个数据集已经训练完毕，训练生成的模型输出在本次训练生成的模型在配置文件：config.ini同路径下的save文件夹中；

    【注：多次训练时，输出路径的保持不变，会覆盖之前的模型。】

导出为onnx模型

  1. 若在训练之前，勾选了“训练后生成onnx”，则在训练完成后会生成onnx模型，如下弹出的提示界面，点击ok即可；

  2. 至此，本次训练结束，训练生成的模型在配置文件：config.ini同路径下的save文件夹中。可根据实际检测效果来判断是否要继续进行训练；；

  3. 导出的onnx可以直接用于仪酷AI系列工具包的推理和部署；

  4. 如果训练过程中没有勾选“训练后生成onnx”则可以点击按钮“生成onnx”来生成对应的onnx模型

常见问题

如在标注或训练过程遇到问题，可查看故障排除

如果您遇到了无法解决的问题，请联系我们的支持团队寻求帮助。联系邮箱: support@virobotics.net