齐护K210系列教程(三十二)_在线模型训练

我们可以通过Maixhub网站提供的模型训练功能，来实现分类模型和目标检测模型的训练，需要准备好需要训练的数据集。

概念理解

首先我们要理解两个应用概念：

目标分类： 识别图片所属的种类，返回的数据只有类别和概率值。

目标检测：识别目标，返回数据有物品的种类、概率值，以及位置信息等

简单理解，如果不需要检测物体坐标输出的， 用目标分类， 需要坐标则目标检测。

准备工作

请先下载要使用的工具 下载

1 采集图像

1.1 图像要求

采集的图像分辨率为：224x224

采集图像数量

• 目标分类： 每类图片数量不低于40张
• 目标检测： 每类图片数量不低于100张

1.2 使用K210采集图片

使用以下脚本下载到AIstart k210主板内，复制到文本文件，然后存成main.py放入到SD卡内。

这是一个拍照存到SD卡的程序，对着我们要识别的物体拍照，尽量多角度的拍，跟后面实际要识别的角度、环境光等越接近拍下来，后面就识别精度越高，自动存在AIstart的SD卡内，后面我们要用到。

def capture_main(key):def draw_string(img, x, y, text, color, scale, bg=None , full_w = False):if bg:if full_w:full_w = img.width()else:full_w = len(text)*8*scale+4img.draw_rectangle(x-2,y-2, full_w, 16*scale, fill=True, color=bg)img = img.draw_string(x, y, text, color=color,scale=scale)return imgdef del_all_images():os.chdir("/sd")images_dir = "cap_images"if images_dir in os.listdir():os.chdir(images_dir)types = os.listdir()for t in types:os.chdir(t)files = os.listdir()for f in files:os.remove(f)os.chdir("..")os.rmdir(t)os.chdir("..")os.rmdir(images_dir)# del_all_images()os.chdir("/sd")dirs = os.listdir()images_dir = "cap_images"last_dir = 0for d in dirs:if d.startswith(images_dir):if len(d) > 11:n = int(d[11:])if n > last_dir:last_dir = nimages_dir = "{}_{}".format(images_dir, last_dir+1)print("save to ", images_dir)if images_dir in os.listdir():img = image.Image()img = draw_string(img, 2, 200, "please del cap_images dir", color=lcd.WHITE,scale=1, bg=lcd.RED)lcd.display(img)sys.exit(1)os.mkdir(images_dir)last_cap_time = 0last_btn_status = 1save_dir = 0save_count = 0os.mkdir("{}/{}".format(images_dir, save_dir))while(True):img0 = sensor.snapshot()if set_windowing:img = image.Image()img = img.draw_image(img0, (img.width() - set_windowing[0])//2, img.height() - set_windowing[1])else:img = img0.copy()# img = img.resize(320, 240)if key.value() == 0:time.sleep_ms(30)if key.value()  0 and (last_btn_status  1) and (time.ticks_ms() - last_cap_time > 500):last_btn_status = 0last_cap_time = time.ticks_ms()else:if time.ticks_ms() - last_cap_time > 5000:img = draw_string(img, 2, 200, "release to change type", color=lcd.WHITE,scale=1, bg=lcd.RED)else:img = draw_string(img, 2, 200, "release to capture", color=lcd.WHITE,scale=1, bg=lcd.RED)if time.ticks_ms() - last_cap_time > 2000:img = draw_string(img, 2, 160, "keep push to change type", color=lcd.WHITE,scale=1, bg=lcd.RED)else:time.sleep_ms(30)if key.value()  1 and (last_btn_status  0):if time.ticks_ms() - last_cap_time > 5000:img = draw_string(img, 2, 200, "change 齐护编程ject type", color=lcd.WHITE,scale=1, bg=lcd.RED)lcd.display(img)time.sleep_ms(1000)save_dir += 1save_count = 0dir_name = "{}/{}".format(images_dir, save_dir)os.mkdir(dir_name)else:draw_string(img, 2, 200, "capture image {}".format(save_count), color=lcd.WHITE,scale=1, bg=lcd.RED)lcd.display(img)f_name = "{}/{}/{}.jpg".format(images_dir, save_dir, save_count)img0.save(f_name, quality=95)save_count += 1last_btn_status = 1img = draw_string(img, 2, 0, "will save to {}/{}/{}.jpg".format(images_dir, save_dir, save_count), color=lcd.WHITE,scale=1, bg=lcd.RED, full_w=True)lcd.display(img)del imgdel img0def main():try:capture_main(key)except Exception as e:print("error:", e)import uios = uio.StringIO()sys.print_exception(e, s)s = s.getvalue()img = image.Image()img.draw_string(0, 0, s)lcd.display(img)
main()

使用请参考这里

使用读卡器从SD拷贝文件，删除掉无效图片。这里我拍了两种物体，分别是我们的C02mini和TFT模块，每种大概有100张左右。

2 标注图像

打开我们刚才下好的工具软件，进行标注。

分类图像不需要操作此步。

1. 选择一个需要标类别图片的目录

2. 选择输出标文件的目录

3. 点标注,框住要识别的物体如图所示
   

4. 输入标签名之后点OK，然后点保存。

5. 通过切换图片对目录下所有图片进行标注。

3 打包数据集

分类图像不需要操作此步。

将图片和标数据打包成zip文件

文件格式为 zip 压缩包，大小500M以内

• 数据集格式：同 Pascal VOC 数据集
• 图片数量限制为2000张，超出该数量的图片会被忽略
• 压缩包内应包含 images 文件夹和 xml 文件夹；一张图片对应一个名字相同的 xml 标注文件
• 目录结构：
  

标结果打包成两个zip文件

4 上传数据

4.1创建项目

4.1.1图像分类创建项目

打开MaixHub，登录后点击模型训练。填入项目名称以及项目类型。根据自己需要选择正确的项目类型。

进入项目后进行数据采集

4.1.2图像检测创建项目

创建时选择项目类型为图像检测即可.

4.2上传数据

4.2.1分类检测上传数据

创建亲的数据集，标类型选择分类。

点击查看后采集数据

1. 为分类添加标签名
2. 选中一个标签为该标签上传图片。
3. 选择该分类所有图片
4. 上传图片
   

再次点数据集，查看刚刚创建的数据集是否正确。

切换标签，检查一下选择的图片是否正确。

4.2.2图像检测上传数据

上传2~3步制作的zip数据包即可。

同样也可以查看是否正确。

5 训练模型

在数据集中选择数据然后确定。

部署平台选择nncase

点击，
输入训练名称开始训练。

等待模型训练完成。

6 部署模型以及测试

点部署模型后选择手动部署，下载对应模型。

下载解压后得到三个文件

• main.py 用于测试的程序文件

• .kmodel模型文件，拷贝到SD卡内。

• report.json 报告文件，内含锚点数据。

将.kmodel和main文件复制到SD卡进行测试。记得修改摄像头垂直和水平镜像

7 测试效果

7.1图像检测

7.2 图像分类

8 齐护编程 程序

8.1图像检测

8.2 图像分类

9.课程资源下载

9-1 程序

下载

9-2 模型

下载

联系我们

扫码或者点这里加群了解更多！

Created by qdprobot