标签：隔离 ola 分辨率 标签 git map 根据 背景 速度
日记
背景：忽然接了个项目， 数院导师给的， 要求很简单， 就是识别变电站隔离开关状态，只要做个demo出来就可以。平时自己的导师也没给我项目做，所以我就尝试了一下，历时三天。
说是没训练数据，于是自己百度识图找了30张图片，但多样性很大，比如：
1.开关种类多
2.角度多
3.多尺度
4.分辨率太小（经过压缩）
5.分辨率变化大（摄像机不同）
6.环境不同（背景差异大）
这些问题不是不可以解决，只要图片有1k张我觉得没问题(笑)。除了百度识图，其他软件也试过，都没找到合适的图，还是百度识图靠谱，至少在这个问题上。
用ImageAI训练，mAP 0.1~0.2，完蛋。只有在训练集上效果还ok。
最后知网搜了一下发现有人在做这个问题，但用的是传统方法，比如模板匹配；也有用机器学习，但是是手工特征+机器学习，18年了似乎还没用深度学习、目标检测。
得到了42张图片，随机划分28train+14test，决定用ImageAI进行实验，因为代码量少，环境也没问题。这里稍微说一下具体做法吧。
1.使用LabelImg进行标签。
很快就标好了，就是on和off，平均每张图大概有3个框，每个框包含一堆配对的黑色柱子，希望yolo能定位到配对柱子，并且根据柱子间有杠连接为"on"，无杠连接为"off".
2.写train.py test.py vis.py
3.训练，用1080ti x2 训练了半小时，大概50个epoch(4batches),然后得到结果。
很遗憾忘记记录了，只记得mAP(IoU>0.5)大概在0.6以上。
为什么高：上面提到的6个多样性，现在只剩下2和3两个多样性。尤其是1和6，相当于测试集中的前景和背景信息都泄露了。（不过反正实际需求就是这样）
为什么低：只有28个训练图像，按ImageAI的推荐最好每物体200张，那这里应该有400张（不过这个推荐应该考虑了更多的多样性，比如6）。
14个测试图出现了2个错误，都是同一个区域同时检测出"on"和"off"，一个是角度太偏，另一个是遮挡，不过"on"的分数大十几分，所以可以根据这个原理筛掉，但现在先懒得做。
得知实际使用的环境大概是巡航机器人+笔记本，有两个要求，一是速度，二是显卡配置可能不太好（现在还没跟我说是什么显卡）。
由于ImageAI没有小模型，所以在github找了一个yolo-tiny来训练。
https://github.com/simon3dv/detect_isolating_switch_statue_v2
总结：
一开始需求很不明确， 没训练数据， 不知道算力要求...
需求明确之后用Yolo半天解决了，把仅有的42张图片分了训练集和验证集， 标注了一下， 然后用Yolo训练， 效果还算可以， 不过验证集变化还是偏少了，在其他场合测试可能没那么好的效果。最后挣了几百块。
标签：隔离 ola 分辨率 标签 git map 根据 背景 速度
原文地址：https://www.cnblogs.com/simingfan/p/12216934.html
