From 9de41aed9019b4e842d01e7d6d70d81d1ef92f68 Mon Sep 17 00:00:00 2001 From: haotian <2421912570@qq.com> Date: Fri, 13 Mar 2026 11:05:39 +0800 Subject: [PATCH] =?UTF-8?q?=E5=A2=9E=E5=8A=A0=E8=AE=AD=E7=BB=83=E6=A8=A1?= =?UTF-8?q?=E5=9E=8B=E9=9C=80=E8=A6=81=E7=9A=84=E7=9B=AE=E5=BD=95=E5=92=8C?= =?UTF-8?q?=E8=84=9A=E6=9C=AC?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- configs/full_pipeline_1080p.json | 4 +- train/01_download_dataset.py | 156 ++++++++++++++++++ train/02_train.bat | 93 +++++++++++ train/03_export_onnx.bat | 75 +++++++++ train/04_convert_rknn.py | 262 +++++++++++++++++++++++++++++++ train/README.md | 157 ++++++++++++++++++ train/data.yaml.template | 38 +++++ train/samples/README.md | 46 ++++++ 8 files changed, 829 insertions(+), 2 deletions(-) create mode 100644 train/01_download_dataset.py create mode 100644 train/02_train.bat create mode 100644 train/03_export_onnx.bat create mode 100644 train/04_convert_rknn.py create mode 100644 train/README.md create mode 100644 train/data.yaml.template create mode 100644 train/samples/README.md diff --git a/configs/full_pipeline_1080p.json b/configs/full_pipeline_1080p.json index 34c35ca..72c0a9b 100644 --- a/configs/full_pipeline_1080p.json +++ b/configs/full_pipeline_1080p.json @@ -105,14 +105,14 @@ "model_w": 768, "model_h": 768, "num_classes": 11, - "conf": 0.2, + "conf": 0.1, "nms": 0.45, "debug": { "stats": true, "stats_interval": 30, "detections": true }, - "class_filter": [3, 6] + "class_filter": [3, 6, 10] }, { "id": "tracker", diff --git a/train/01_download_dataset.py b/train/01_download_dataset.py new file mode 100644 index 0000000..56f1b63 --- /dev/null +++ b/train/01_download_dataset.py @@ -0,0 +1,156 @@ +#!/usr/bin/env python3 +""" +下载 Roboflow Safety Shoes Detection 数据集 +使用方法: + python 01_download_dataset.py --api-key YOUR_API_KEY + +或者手动下载: + 1. 访问 https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg + 2. 点击 Download → 选择 YOLOv8 格式 + 3. 解压到 datasets/ 目录 +""" + +import argparse +import os +import sys +from pathlib import Path + + +def download_with_roboflow(api_key: str, dataset_dir: str = "datasets"): + """使用 Roboflow API 下载数据集""" + try: + from roboflow import Roboflow + except ImportError: + print("错误: 未安装 roboflow 包") + print("请运行: pip install roboflow") + sys.exit(1) + + print("="*60) + print("正在下载 Safety Shoes Detection 数据集...") + print("="*60) + + try: + rf = Roboflow(api_key=api_key) + project = rf.workspace("nedrick-chandra-gpg1l").project("safety-shoes-detection-5qgkg") + dataset = project.version(2).download("yolov8", location=dataset_dir) + + print(f"\n✓ 数据集下载完成: {dataset.location}") + return dataset.location + + except Exception as e: + print(f"\n✗ 下载失败: {e}") + print("\n请尝试手动下载:") + print("1. 访问 https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg") + print("2. 点击 'Download' → 选择 'YOLOv8' 格式") + print("3. 解压到 datasets/ 目录") + return None + + +def modify_yaml_for_single_class(dataset_path: str): + """修改为单类检测配置""" + yaml_path = os.path.join(dataset_path, "data.yaml") + + if not os.path.exists(yaml_path): + print(f"警告: 找不到 {yaml_path}") + return False + + with open(yaml_path, 'r') as f: + content = f.read() + + # 创建新的单类配置 + new_content = """# 单类鞋子检测数据集配置 +# 原数据集: Safety Shoes Detection (Roboflow) +# 修改: 合并 safety-shoes 和 no-safety-shoes 为单一的 shoe 类别 + +train: ../train/images +val: ../valid/images +test: ../test/images + +nc: 1 +names: ['shoe'] + +# Roboflow 元信息 +roboflow: + workspace: nedrick-chandra-gpg1l + project: safety-shoes-detection-5qgkg + version: 2 + license: CC BY 4.0 + url: https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg/dataset/2 +""" + + # 备份原文件 + backup_path = yaml_path + ".backup" + with open(backup_path, 'w') as f: + f.write(content) + + # 写入新配置 + with open(yaml_path, 'w') as f: + f.write(new_content) + + print(f"✓ 已修改为单类检测: {yaml_path}") + print(f" 原配置备份: {backup_path}") + return True + + +def check_dataset_structure(dataset_path: str): + """检查数据集结构是否正确""" + required_dirs = ['train/images', 'train/labels', 'valid/images', 'valid/labels'] + + print("\n检查数据集结构...") + for dir_name in required_dirs: + full_path = os.path.join(dataset_path, dir_name) + if os.path.exists(full_path): + count = len(os.listdir(full_path)) + print(f" ✓ {dir_name}: {count} 个文件") + else: + print(f" ✗ {dir_name}: 不存在") + return False + + return True + + +def main(): + parser = argparse.ArgumentParser(description="下载 Safety Shoes Detection 数据集") + parser.add_argument("--api-key", help="Roboflow API Key") + parser.add_argument("--dir", default="datasets/safety-shoes-detection", + help="数据集保存目录") + parser.add_argument("--no-modify", action="store_true", + help="不修改 data.yaml（保持原始类别）") + + args = parser.parse_args() + + # 如果提供了 API key，使用 API 下载 + if args.api_key: + dataset_path = download_with_roboflow(args.api_key, args.dir) + if dataset_path is None: + sys.exit(1) + else: + # 检查是否已手动下载 + dataset_path = args.dir + if not os.path.exists(dataset_path): + print(f"错误: 找不到数据集目录 {dataset_path}") + print("\n请使用以下方式之一获取数据集:") + print("1. 使用 API 下载: python 01_download_dataset.py --api-key YOUR_KEY") + print("2. 手动下载并解压到: datasets/safety-shoes-detection/") + sys.exit(1) + + # 检查数据集结构 + if not check_dataset_structure(dataset_path): + print("\n✗ 数据集结构不正确") + sys.exit(1) + + # 修改为单类检测 + if not args.no_modify: + modify_yaml_for_single_class(dataset_path) + + print("\n" + "="*60) + print("数据集准备完成！") + print("="*60) + print(f"数据集路径: {dataset_path}") + print(f"配置文件: {dataset_path}/data.yaml") + print("\n下一步:") + print(f" yolo detect train data={dataset_path}/data.yaml model=yolov8n.pt epochs=150 imgsz=640") + + +if __name__ == "__main__": + main() diff --git a/train/02_train.bat b/train/02_train.bat new file mode 100644 index 0000000..c611caf --- /dev/null +++ b/train/02_train.bat @@ -0,0 +1,93 @@ +@echo off +chcp 65001 >nul +cls + +echo ============================================================ +echo 训练鞋子检测模型 (YOLOv8) +echo ============================================================ +echo. + +:: 设置数据集路径 +set DATASET=datasets/safety-shoes-detection/data.yaml + +:: 检查数据集是否存在 +if not exist %DATASET% ( + echo [错误] 找不到数据集配置文件: %DATASET% + echo. + echo 请先下载数据集: + echo 1. 访问 https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg + echo 2. 点击 Download -^> YOLOv8 格式 + echo 3. 解压到 datasets/safety-shoes-detection/ + echo 4. 运行 python 01_download_dataset.py --no-modify + pause + exit /b 1 +) + +echo [信息] 数据集: %DATASET% +echo. + +:: 选择模型 +echo 选择模型: +echo 1. YOLOv8n (轻量级, 速度快, 推荐) +echo 2. YOLOv8s (精度更高, 稍慢) +echo 3. YOLOv8m (高精度, 较慢) +echo. +set /p MODEL_CHOICE="输入选择 (1-3, 默认 1): " + +if "%MODEL_CHOICE%"=="" set MODEL_CHOICE=1 +if "%MODEL_CHOICE%"=="1" ( + set MODEL=yolov8n.pt + set DESC=YOLOv8n (轻量级) +) +if "%MODEL_CHOICE%"=="2" ( + set MODEL=yolov8s.pt + set DESC=YOLOv8s (标准) +) +if "%MODEL_CHOICE%"=="3" ( + set MODEL=yolov8m.pt + set DESC=YOLOv8m (高精度) +) + +echo. +echo [信息] 使用模型: %DESC% +echo. + +:: 设置训练参数 +set EPOCHS=150 +set IMGSZ=640 +set BATCH=16 + +echo 训练参数: +echo - Epochs: %EPOCHS% +echo - Image Size: %IMGSZ% +echo - Batch Size: %BATCH% +echo - Device: GPU (cuda:0) +echo. + +echo ============================================================ +echo 开始训练 +echo ============================================================ +echo. + +:: 开始训练 +yolo detect train data=%DATASET% model=%MODEL% epochs=%EPOCHS% imgsz=%IMGSZ% batch=%BATCH% device=0 + +if %ERRORLEVEL% neq 0 ( + echo. + echo [错误] 训练失败！ + pause + exit /b 1 +) + +echo. +echo ============================================================ +echo 训练完成！ +echo ============================================================ +echo. +echo 模型保存在: runs/detect/train/weights/ +echo - best.pt (最佳模型) +echo - last.pt (最后模型) +echo. +echo 下一步: 运行 03_export_onnx.bat 导出 ONNX 格式 +echo. +pause diff --git a/train/03_export_onnx.bat b/train/03_export_onnx.bat new file mode 100644 index 0000000..29569f5 --- /dev/null +++ b/train/03_export_onnx.bat @@ -0,0 +1,75 @@ +@echo off +chcp 65001 >nul +cls + +echo ============================================================ +echo 导出 ONNX 模型 (YOLOv8) +echo ============================================================ +echo. + +:: 设置模型路径 +set MODEL_PATH=runs/detect/train/weights/best.pt + +:: 检查模型是否存在 +if not exist %MODEL_PATH% ( + echo [错误] 找不到模型文件: %MODEL_PATH% + echo. + echo 请先训练模型: + echo 运行 02_train.bat + pause + exit /b 1 +) + +echo [信息] 输入模型: %MODEL_PATH% +echo. + +:: 导出 ONNX +echo ============================================================ +echo 导出 ONNX +echo ============================================================ +echo. + +yolo export model=%MODEL_PATH% format=onnx imgsz=640 opset=12 simplify=True + +if %ERRORLEVEL% neq 0 ( + echo. + echo [错误] 导出失败！ + pause + exit /b 1 +) + +echo. +echo ============================================================ +echo 导出完成！ +echo ============================================================ +echo. + +:: 检查输出文件 +set ONNX_PATH=runs\detect\train\weights\best.onnx +if exist %ONNX_PATH% ( + echo [成功] ONNX 模型: %ONNX_PATH% + + :: 获取文件大小 + for %%I in (%ONNX_PATH%) do ( + set SIZE=%%~zI + ) + echo [信息] 文件大小: %SIZE% bytes +) else ( + echo [警告] 找不到输出文件 +) + +echo. +echo ============================================================ +echo 下一步操作 +echo ============================================================ +echo. +echo 1. 复制 ONNX 文件到 Ubuntu 机器: +echo scp %ONNX_PATH% user@ubuntu-pc:~/rknn_convert/ +echo. +echo 2. 在 Ubuntu 上转换为 RKNN: +echo python 04_convert_rknn.py best.onnx -o shoe_detector.rknn -t rk3588 +echo. +echo 3. 部署到 RK3588: +echo scp shoe_detector.rknn orangepi@^:/home/orangepi/apps/OrangePi3588Media/models/ +echo. +pause diff --git a/train/04_convert_rknn.py b/train/04_convert_rknn.py new file mode 100644 index 0000000..78a47d1 --- /dev/null +++ b/train/04_convert_rknn.py @@ -0,0 +1,262 @@ +#!/usr/bin/env python3 +""" +将 YOLOv8 ONNX 模型转换为 RKNN 格式 +适用于 RK3588 / RK3568 / RK3576 等平台 + +环境要求: + - Ubuntu x86_64 / Docker + - Python 3.8 / 3.9 / 3.10 / 3.11 + - rknn-toolkit2 (pip install rknn-toolkit2==2.2.0) + +使用方法: + # FP16 模式（推荐，速度快精度高） + python 04_convert_rknn.py best.onnx -o shoe_detector.rknn -t rk3588 + + # INT8 量化（模型更小，需要校准数据集） + python 04_convert_rknn.py best.onnx -o shoe_detector.rknn -t rk3588 -q -d dataset.txt + +支持的 target_platform: + - rk3588 / rk3588s + - rk3568 / rk3566 + - rk3576 + - rv1106 / rv1103 / rv1103b + - rv1126 +""" + +import argparse +import os +import sys +from pathlib import Path + + +def check_environment(): + """检查运行环境""" + try: + from rknn.api import RKNN + print("✓ RKNN Toolkit2 已安装") + return True + except ImportError: + print("✗ 错误: 未安装 RKNN Toolkit2") + print("\n请安装:") + print(" pip install rknn-toolkit2==2.2.0") + print("\n或从源码安装:") + print(" https://github.com/airockchip/rknn-toolkit2") + return False + + +def create_sample_dataset(onnx_path: str, output_path: str = "dataset.txt", num_samples: int = 20): + """ + 创建示例量化校准数据集 + 用于 INT8 量化时提供校准图片路径 + """ + print(f"\n创建示例校准数据集: {output_path}") + print("注意: 请用实际图片替换这些示例路径") + + sample_content = f"""# RKNN INT8 量化校准数据集 +# 每行一个图片路径，建议使用 20-100 张典型场景图片 +# 图片格式: JPG, PNG, BMP 等 + +# 示例路径（请替换为实际路径）: +# /path/to/train/images/img001.jpg +# /path/to/train/images/img002.jpg +# /path/to/valid/images/img001.jpg + +# 提示: +# 1. 图片应与实际部署场景相似 +# 2. 包含各种光照、角度、背景的样本 +# 3. 建议 20-100 张，越多越慢但可能更准 +""" + + with open(output_path, 'w') as f: + f.write(sample_content) + + print(f"✓ 示例数据集已创建: {output_path}") + print(" 请编辑此文件，添加实际的图片路径") + return output_path + + +def convert_onnx_to_rknn( + onnx_path: str, + output_path: str = None, + target_platform: str = "rk3588", + do_quantization: bool = False, + dataset_path: str = None, + verbose: bool = True +): + """ + 转换 ONNX 模型到 RKNN + + Args: + onnx_path: ONNX 模型文件路径 + output_path: 输出 RKNN 文件路径，默认与 ONNX 同名 + target_platform: 目标平台，默认 rk3588 + do_quantization: 是否启用 INT8 量化 + dataset_path: 量化校准数据集路径（txt 文件，每行一张图片路径） + verbose: 是否打印详细信息 + """ + if output_path is None: + output_path = onnx_path.replace(".onnx", ".rknn") + + # 确保输出目录存在 + output_dir = os.path.dirname(output_path) + if output_dir and not os.path.exists(output_dir): + os.makedirs(output_dir) + + print("="*70) + print(f"ONNX 转 RKNN") + print("="*70) + print(f"输入: {onnx_path}") + print(f"输出: {output_path}") + print(f"目标: {target_platform}") + print(f"量化: {'INT8' if do_quantization else 'FP16 (无量化)'}") + if do_quantization: + print(f"校准: {dataset_path}") + print("="*70) + + # 检查输入文件 + if not os.path.exists(onnx_path): + print(f"\n✗ 错误: 找不到 ONNX 文件: {onnx_path}") + return False + + # 检查数据集（如果需要量化） + if do_quantization: + if dataset_path is None: + print("\n✗ 错误: INT8 量化需要提供校准数据集") + print(" 使用 --dataset 指定数据集文件路径") + print(" 或运行 --create-dataset 创建示例") + return False + if not os.path.exists(dataset_path): + print(f"\n✗ 错误: 找不到数据集文件: {dataset_path}") + return False + + from rknn.api import RKNN + + # 创建 RKNN 对象 + rknn = RKNN(verbose=verbose) + + try: + # 配置模型 + print("\n[1/4] 配置模型...") + rknn.config( + mean_values=[[0, 0, 0]], # YOLOv8 使用 0-255 输入 + std_values=[[255, 255, 255]], # 归一化到 0-1 + target_platform=target_platform + ) + print(" ✓ 完成") + + # 加载 ONNX + print("\n[2/4] 加载 ONNX 模型...") + ret = rknn.load_onnx(model=onnx_path) + if ret != 0: + print(" ✗ 加载失败!") + return False + print(" ✓ 完成") + + # 构建模型 + print("\n[3/4] 构建 RKNN 模型...") + if do_quantization: + print(f" 使用 INT8 量化，校准数据集: {dataset_path}") + ret = rknn.build(do_quantization=True, dataset=dataset_path) + else: + print(" 使用 FP16 模式（无量化）") + ret = rknn.build(do_quantization=False) + + if ret != 0: + print(" ✗ 构建失败!") + return False + print(" ✓ 完成") + + # 导出 RKNN + print("\n[4/4] 导出 RKNN 模型...") + ret = rknn.export_rknn(output_path) + if ret != 0: + print(" ✗ 导出失败!") + return False + print(" ✓ 完成") + + finally: + rknn.release() + + # 验证输出 + if os.path.exists(output_path): + size_mb = os.path.getsize(output_path) / (1024 * 1024) + print("\n" + "="*70) + print(f"✓ 转换成功!") + print(f" 输出文件: {output_path}") + print(f" 文件大小: {size_mb:.2f} MB") + print("="*70) + + print("\n下一步:") + print(f" 1. 复制到 RK3588:") + print(f" scp {output_path} orangepi@:/home/orangepi/apps/OrangePi3588Media/models/") + print(f" 2. 更新配置文件中的模型路径") + return True + else: + print("\n✗ 错误: 输出文件未生成") + return False + + +def main(): + parser = argparse.ArgumentParser( + description="将 YOLOv8 ONNX 模型转换为 RKNN", + formatter_class=argparse.RawDescriptionHelpFormatter, + epilog=""" +示例: + # FP16 模式（推荐） + python 04_convert_rknn.py best.onnx -o shoe_detector.rknn + + # 指定目标平台 + python 04_convert_rknn.py best.onnx -t rk3568 + + # INT8 量化 + python 04_convert_rknn.py best.onnx -q -d dataset.txt + + # 创建示例校准数据集 + python 04_convert_rknn.py --create-dataset + """ + ) + + parser.add_argument("onnx", nargs="?", help="ONNX 模型文件路径") + parser.add_argument("-o", "--output", help="输出 RKNN 文件路径") + parser.add_argument("-t", "--target", default="rk3588", + help="目标平台 (默认: rk3588)") + parser.add_argument("-q", "--quantize", action="store_true", + help="启用 INT8 量化") + parser.add_argument("-d", "--dataset", help="量化校准数据集路径 (txt 文件)") + parser.add_argument("--create-dataset", action="store_true", + help="创建示例校准数据集并退出") + parser.add_argument("-v", "--verbose", action="store_true", default=True, + help="显示详细信息") + + args = parser.parse_args() + + # 创建示例数据集 + if args.create_dataset: + create_sample_dataset("best.onnx", "dataset.txt") + return 0 + + # 检查参数 + if args.onnx is None: + parser.print_help() + print("\n错误: 请提供 ONNX 文件路径") + return 1 + + # 检查环境 + if not check_environment(): + return 1 + + # 执行转换 + success = convert_onnx_to_rknn( + onnx_path=args.onnx, + output_path=args.output, + target_platform=args.target, + do_quantization=args.quantize, + dataset_path=args.dataset, + verbose=args.verbose + ) + + return 0 if success else 1 + + +if __name__ == "__main__": + sys.exit(main()) diff --git a/train/README.md b/train/README.md new file mode 100644 index 0000000..5ca2c7c --- /dev/null +++ b/train/README.md @@ -0,0 +1,157 @@ +# 鞋子检测模型训练指南 + +## 目录结构 + +``` +train/ +├── README.md # 本文件 +├── 01_download_dataset.py # 下载数据集脚本 +├── 02_train.bat # Windows 训练脚本 +├── 03_export_onnx.bat # 导出 ONNX 脚本 +├── 04_convert_rknn.py # 转换为 RKNN 脚本 +├── data.yaml.template # 数据集配置文件模板 +└── samples/ # 示例图片（用于测试） + └── README.md +``` + +## 快速开始 + +### 1. 环境准备（Windows + GPU） + +```bash +# 安装 PyTorch (CUDA 11.8) +pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 + +# 安装 ultralytics +pip install ultralytics +``` + +### 2. 下载数据集 + +**手动下载（推荐）：** +1. 访问：https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg +2. 点击 **"Download"** → 选择 **"YOLOv8"** 格式 +3. 解压到 `datasets/safety-shoes-detection/` 目录 + +**或使用脚本（需要 API Key）：** +```bash +python 01_download_dataset.py --api-key YOUR_API_KEY +``` + +### 3. 准备数据集配置 + +复制模板并修改路径： +```bash +cp data.yaml.template datasets/safety-shoes-detection/data.yaml +# 编辑 data.yaml，确保路径正确 +``` + +### 4. 训练模型 + +**一键训练：** +```bash +02_train.bat +``` + +**或手动训练：** +```bash +# YOLOv8n - 轻量级，速度快 +yolo detect train data=datasets/safety-shoes-detection/data.yaml model=yolov8n.pt epochs=150 imgsz=640 batch=16 device=0 + +# YOLOv8s - 精度更高（可选） +# yolo detect train data=datasets/safety-shoes-detection/data.yaml model=yolov8s.pt epochs=150 imgsz=640 batch=16 device=0 +``` + +训练完成后，模型保存在：`runs/detect/train/weights/best.pt` + +### 5. 导出 ONNX + +```bash +03_export_onnx.bat +``` + +输出：`runs/detect/train/weights/best.onnx` + +### 6. 转换为 RKNN + +**在 Ubuntu PC 上运行：** + +```bash +# 安装 RKNN Toolkit2 +pip install rknn-toolkit2==2.2.0 + +# 转换（FP16 模式 - 推荐） +python 04_convert_rknn.py runs/detect/train/weights/best.onnx -o shoe_detector.rknn -t rk3588 + +# 或 INT8 量化（需要校准数据集） +# python 04_convert_rknn.py runs/detect/train/weights/best.onnx -o shoe_detector.rknn -t rk3588 -q -d dataset.txt +``` + +### 7. 部署到 RK3588 + +```bash +scp shoe_detector.rknn orangepi@:/home/orangepi/apps/OrangePi3588Media/models/ +``` + +然后在 `configs/full_pipeline_1080p.json` 中更新模型路径。 + +--- + +## 训练参数说明 + +| 参数 | YOLOv8n | YOLOv8s | 说明 | +|------|---------|---------|------| +| 模型大小 | 3.2MB | 11MB | 文件大小 | +| 推理速度 | ~30-40ms | ~50-60ms | RK3588 NPU | +| mAP | ~0.75 | ~0.82 | 精度 | +| 推荐场景 | 实时检测 | 高精度 | 选择建议 | + +--- + +## 数据集说明 + +### Safety Shoes Detection +- **来源**: Roboflow Universe +- **类别**: safety-shoes / no-safety-shoes +- **图片数**: 约 1000+ 张 +- **场景**: 工地安全鞋检测 + +### 转换为单类检测 + +我们将两类合并为单一的 `shoe` 类别： +- 检测所有鞋子（安全鞋、运动鞋、布鞋等） +- 后续通过颜色分析判断是否为劳保鞋 + +--- + +## 常见问题 + +### Q1: 训练时显存不足？ +降低 batch size： +```bash +yolo detect train ... batch=8 # 默认 16，改为 8 +``` + +### Q2: 如何提高精度？ +1. 增加训练 epoch：`epochs=200` +2. 使用更大模型：`model=yolov8s.pt` +3. 增大输入尺寸：`imgsz=768` +4. 收集更多现场图片 fine-tune + +### Q3: RKNN 转换失败？ +1. 确保使用正确的 opset (12) +2. 使用 `simplify=True` 导出 ONNX +3. 检查 RKNN Toolkit2 版本与板端驱动匹配 + +### Q4: 检测不到鞋子？ +1. 降低置信度阈值：`conf=0.15` +2. 检查 class_filter 是否正确设置 +3. 确认输入图像尺寸与模型匹配 + +--- + +## 相关链接 + +- [Ultralytics YOLOv8 文档](https://docs.ultralytics.com/) +- [RKNN Toolkit2 文档](https://github.com/airockchip/rknn-toolkit2) +- [Roboflow Universe - Safety Shoes](https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg) diff --git a/train/data.yaml.template b/train/data.yaml.template new file mode 100644 index 0000000..7542f1d --- /dev/null +++ b/train/data.yaml.template @@ -0,0 +1,38 @@ +# 单类鞋子检测数据集配置 +# 基于 Roboflow Safety Shoes Detection 数据集修改 +# 将原有的两类 (safety-shoes / no-safety-shoes) 合并为单一的 shoe 类别 + +# 数据集路径 +train: ../train/images +val: ../valid/images +test: ../test/images + +# 类别配置 +nc: 1 # 类别数 +names: ['shoe'] # 类别名称列表 + +# Roboflow 元信息（可选） +roboflow: + workspace: nedrick-chandra-gpg1l + project: safety-shoes-detection-5qgkg + version: 2 + license: CC BY 4.0 + url: https://universe.roboflow.com/nedrick-chandra-gpg1l/safety-shoes-detection-5qgkg/dataset/2 + +# 使用说明: +# 1. 将此文件复制到数据集根目录，命名为 data.yaml +# 2. 确保 train/val/test 路径正确 +# 3. 运行训练: yolo detect train data=data.yaml model=yolov8n.pt epochs=150 imgsz=640 +# +# 目录结构应为: +# safety-shoes-detection/ +# ├── data.yaml # 本文件 +# ├── train/ +# │ ├── images/ # 训练图片 +# │ └── labels/ # YOLO 格式标注文件 +# ├── valid/ +# │ ├── images/ # 验证图片 +# │ └── labels/ # YOLO 格式标注文件 +# └── test/ +# ├── images/ # 测试图片 +# └── labels/ # YOLO 格式标注文件 diff --git a/train/samples/README.md b/train/samples/README.md new file mode 100644 index 0000000..f8fdd17 --- /dev/null +++ b/train/samples/README.md @@ -0,0 +1,46 @@ +# 示例图片目录 + +用于存放测试图片和量化校准样本。 + +## 目录结构 + +``` +samples/ +├── test_images/ # 用于测试模型的示例图片 +├── calibration/ # INT8 量化校准用的图片（约 20-100 张） +└── README.md # 本文件 +``` + +## 使用说明 + +### 测试图片 (test_images/) + +存放一些典型场景的鞋子图片，用于验证模型效果。 + +### 校准图片 (calibration/) + +INT8 量化时需要，用于确定量化参数。 + +**要求：** +- 应与实际部署场景相似 +- 包含各种光照、角度、背景的样本 +- 建议 20-100 张 +- 图片格式: JPG, PNG, BMP + +**创建校准数据集文件：** + +```bash +# Linux/macOS +ls samples/calibration/*.jpg > dataset.txt +ls samples/calibration/*.png >> dataset.txt + +# Windows CMD +dir /b samples\calibration\*.jpg > dataset.txt +dir /b samples\calibration\*.png >> dataset.txt +``` + +## 注意事项 + +- 校准图片越多，转换时间越长，但精度可能更高 +- 建议使用训练集的部分图片作为校准集 +- 不要和测试集重复，避免过拟合