使用遥感图像农田分割数据集进行目标检测任务_采用YOLOv5作为模型框架,从数据准备到模型训练、评估、优化以及结果可视化的完整过程

最新推荐文章于 2025-06-16 08:36:17 发布

原创最新推荐文章于 2025-06-16 08:36:17 发布 · 317 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #YOLO #人工智能

遥感类_遥感图像农田分割数据集在这里插入图片描述

2890张，yolo和voc标注
标注“farms”1类目标
image num: 2890

使用遥感图像农田分割数据集进行目标检测任务，我们将采用YOLOv5作为模型框架。尽管该数据集的目标是“农田分割”，这里我们任务变更为基于YOLO格式的农田（farms）目标检测任务。以下是详细的实现步骤指南，包括环境设置、数据准备、模型训练、优化以及结果可视化。在这里插入图片描述

1. 环境配置

首先，确保安装了必要的依赖项，并克隆YOLOv5的仓库。

# 克隆YOLOv5仓库
git clone https://github.com/ultralytics/yolov5.git
cd yolov5

# 安装依赖项
pip install -r requirements.txt

2. 数据准备

创建一个farms.yaml文件来描述你的数据集路径和类别信息。假设你的数据集结构如下：

/path/to/farms/
├── images
│   ├── train
│   └── val
└── labels
    ├── train
    └── val

farms.yaml示例内容如下：

train: /path/to/farms/images/train/
val: /path/to/farms/images/val/

nc: 1  # 类别数量
names: ['farms']  # 类别名称

在这里插入图片描述

3. 数据集划分

假设你有2890张图片，并且已经按照YOLO格式标注好。我们可以按比例将数据集划分为训练集和验证集，例如80%用于训练，20%用于验证。在这里插入图片描述

如果你的数据集没有预先划分，可以使用以下Python脚本进行随机划分：

import os
import random
import shutil

source_dir = '/path/to/farms/images/'
label_dir = '/path/to/farms/labels/'

os.makedirs(source_dir + 'train/', exist_ok=True)
os.makedirs(source_dir + 'val/', exist_ok=True)
os.makedirs(label_dir + 'train/', exist_ok=True)
os.makedirs(label_dir + 'val/', exist_ok=True)

all_images = [f for f in os.listdir(source_dir) if f.endswith('.jpg')]
random.shuffle(all_images)

split_ratio = 0.8
split_index = int(len(all_images) * split_ratio)

train_images = all_images[:split_index]
val_images = all_images[split_index:]

for image in train_images:
    shutil.move(os.path.join(source_dir, image), os.path.join(source_dir + 'train/', image))
    label = image.replace('.jpg', '.txt')
    shutil.move(os.path.join(label_dir, label), os.path.join(label_dir + 'train/', label))

for image in val_images:
    shutil.move(os.path.join(source_dir, image), os.path.join(source_dir + 'val/', image))
    label = image.replace('.jpg', '.txt')
    shutil.move(os.path.join(label_dir, label), os.path.join(label_dir + 'val/', label))

请根据实际目录结构调整路径。

4. 模型训练

在准备好数据之后，可以开始训练YOLOv5模型。我们使用预训练权重进行微调以加速训练过程并提高性能。

训练命令

# 训练命令
python train.py --img 640 --batch 16 --epochs 100 --data farms.yaml --weights yolov5s.pt --cache

参数解释：

--img 640: 设置输入图像尺寸为640x640（或根据实际情况调整）。
--batch 16: 批大小设置为16（根据你的GPU内存调整）。
--epochs 100: 设置训练周期数为100。
--data farms.yaml: 指定数据集配置文件。
--weights yolov5s.pt: 使用YOLOv5的小型版本作为预训练权重。
--cache: 缓存图像以加速训练过程。

5. 模型评估

训练完成后，使用以下命令对验证集进行评估，查看模型性能。

# 评估命令
python val.py --weights runs/train/exp/weights/best.pt --data farms.yaml --img 640 --task val

这将输出一系列指标，如mAP@0.5、mAP@0.5:0.95等，帮助你了解模型在验证集上的表现。

6. 结果可视化

为了更直观地理解模型的表现，运行以下命令对验证集中的部分图像进行预测并保存结果图像。

# 检测命令
python detect.py --weights runs/train/exp/weights/best.pt --img 640 --conf 0.25 --source /path/to/farms/images/val/ --save-txt --save-conf

此命令将在runs/detect/exp目录下生成包含边界框和置信度分数的预测图像。

7. 可视化界面

为了创建一个简单的可视化界面，可以使用Flask或Streamlit等工具来展示模型的预测结果。

使用Streamlit创建可视化界面

首先，安装Streamlit：

pip install streamlit

然后，创建一个名为app.py的文件：

import streamlit as st
from PIL import Image
import torch

# 加载训练好的模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/exp/weights/best.pt')

st.title("Farms Dataset Object Detection")

uploaded_file = st.file_uploader("Choose an image...", type=["jpg", "jpeg", "png"])
if uploaded_file is not None:
    image = Image.open(uploaded_file)
    st.image(image, caption='Uploaded Image.', use_column_width=True)
    st.write("")
    st.write("Detecting...")

    # 进行推理
    results = model(image)

    # 显示结果
    st.image(results.render(), caption='Detected Image.', use_column_width=True)

运行Streamlit应用：

streamlit run app.py