-
Notifications
You must be signed in to change notification settings - Fork 1
/
getting_starting_yolo.py
407 lines (308 loc) · 14 KB
/
getting_starting_yolo.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
# -*- coding: utf-8 -*-
"""Getting_Starting_Yolo.ipynb
Automatically generated by Colab.
Original file is located at
https://colab.research.google.com/drive/1josPNPUR-GtpPz4D1ne1H99F9yjKCn4_
"""
import zipfile
import pandas as pd
import os
from sklearn.model_selection import train_test_split
import shutil
import datetime
import pathlib
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import random
from PIL import Image
from google.colab import drive
drive.mount('/content/drive')
from google.colab import drive
drive.mount('/content/drive')
"""## Carregando os dados de treino"""
train = pd.read_csv('/content/drive/MyDrive/Competição Zindi/Train.csv')
print(train.shape)
train.head(5)
# Excluindo as imagemns com nenhuma habitação
print(train.isnull().sum())
train = train.dropna()
train.shape
train['category_id'] = train['category_id'] - 1
train.category_id.unique()
"""## Preparação dos Dados
### Listando o Tamanho das Imagens
"""
# Listando as imagens com tamanho 1000x1000
def lista_nomes_imagens_1000x1000(caminho_pasta):
nomes_imagens = []
for nome_arquivo in os.listdir(caminho_pasta):
caminho_arquivo = os.path.join(caminho_pasta, nome_arquivo)
if os.path.isfile(caminho_arquivo):
try:
with Image.open(caminho_arquivo) as img:
largura, altura = img.size
if largura == 1000 and altura == 1000:
nomes_imagens.append(nome_arquivo)
except Exception as e:
print(f"Erro ao processar o arquivo {caminho_arquivo}: {e}")
return nomes_imagens
# Substitua 'caminho_da_pasta' pelo caminho da pasta onde suas imagens estão localizadas
caminho_da_pasta = '/content/drive/MyDrive/Competição Zindi/Images'
nomes_imagens_1000x1000 = lista_nomes_imagens_1000x1000(caminho_da_pasta)
print(nomes_imagens_1000x1000)
# (Opcional) Salvar a lista das imagens 1000x1000 em json
import json
save_size1000 = {'imagens1000x1000':nomes_imagens_1000x1000}
destino ='/content/drive/MyDrive/Competição Zindi/listar_imagens_tamanho.json'
with open(destino,'w') as file:
json.dump(save_size1000,file)
nomes_imagens_1000x1000 = [nome.split('.')[0] for nome in nomes_imagens_1000x1000]
"""### Ajustando os dados de treino e teste para o formato do YoLo"""
# Substituir vírgulas e colchetes por uma string vazia na coluna 'bbox'
train['bbox'] = train['bbox'].astype(str).str.replace(r'\[|\]|,', '', regex=True)
# Dividir os valores da coluna em colunas separadas
train[['x_center', 'y_center', 'tamanho', 'altura']] = train['bbox'].str.split(expand=True)
# Transformando em variáveis numéricas
train[['x_center', 'y_center', 'tamanho', 'altura']]= train[['x_center', 'y_center', 'tamanho', 'altura']].astype(float)
"""Para o treinamento, o modelo recebe como entrada a imagem, os bounding boxes, que indica as regiões onde estão os obejtos na imagem e as labels das classes que cada um dos objetos. Porém, as coordenadas da boxes devem ser normalizadas, e sendo passadas para o modelo as coordenadas do centro da box e sua altura e largura."""
# Função para normalizar as coordenadas das bounding boxes
def normalizacao(df):
for index, row in df.iterrows():
if row['image_id'] in nomes_imagens_1000x1000:
df.at[index, 'x_center'] = (row['x_center'] + row['tamanho'] / 2) / 1000
df.at[index, 'y_center'] = (row['y_center'] + row['altura'] / 2) / 1000
df.at[index, 'tamanho'] = row['tamanho'] / 1000
df.at[index, 'altura'] = row['altura'] / 1000
else:
df.at[index, 'x_center'] = (row['x_center'] + row['tamanho'] / 2) / 500
df.at[index, 'y_center'] = (row['y_center'] + row['altura'] / 2) / 500
df.at[index, 'tamanho'] = row['tamanho'] / 500
df.at[index, 'altura'] = row['altura'] / 500
return df
# Fazendo uma copia do dataframe original e aplicando a normalização
df_txt = train.copy()
normalizacao(df_txt)
# Criando um nova coluna bbox com as coordenadas normalizadas
df_txt['bbox'] = df_txt['x_center'].astype(str) + ' ' + df_txt['y_center'].astype(str) + ' ' + df_txt['tamanho'].astype(str) + ' ' + df_txt['altura'].astype(str)
df_txt.drop(['x_center', 'y_center', 'tamanho', 'altura'], axis=1 , inplace=True)
df_txt.to_csv('/content/drive/MyDrive/Competição Zindi/norma_yolo.csv')
"""### Divisão entre imagens de teste e imagens de treino"""
unique_images = df_txt['image_id'].unique()
val_size = int(len(unique_images) * 0.2)
train_imgs = unique_images[:(len(unique_images) - val_size)]
val_imgs = unique_images[-val_size:]
train_idx = np.isin(df_txt['image_id'].values, train_imgs)
val_idx = np.isin(df_txt['image_id'].values, val_imgs)
treino_df = df_txt.iloc[train_idx]
teste_df = df_txt.iloc[val_idx]
print(treino_df['image_id'].nunique())
print(teste_df['image_id'].nunique())
treino_df.to_csv('/content/drive/MyDrive/Competição Zindi/treino_norm.csv', index=False)
teste_df.to_csv('/content/drive/MyDrive/Competição Zindi/test_norm.csv', index=False)
"""### Dividindo as imagens de treino e teste em diretórios distintos
As imagens que serão utlizadas para treino e teste devem ser movidas para um diretório próprio. Uma pasta deve conter as imagens de treino e suas respectivas bbox com as classes que elas pertencem.
"""
diretorio_origem = "/content/drive/MyDrive/Competição Zindi/Images"
diretorio_destino_treino = "/content/drive/MyDrive/Competição Zindi/train/images"
diretorio_destino_teste = "/content/drive/MyDrive/Competição Zindi/test/images"
# Função para copiar as imagens para suas respectivas pastas
def copiar_imagens_para_pasta(dataframe, diretorio_origem, diretorio_destino):
for _, row in dataframe.iterrows():
try:
imagem = row['image_id'] + '.tif'
caminho_imagem_origem = os.path.join(diretorio_origem, imagem)
caminho_imagem_destino = os.path.join(diretorio_destino, imagem)
shutil.copy(caminho_imagem_origem, caminho_imagem_destino)
except FileNotFoundError:
print(f'Imagem não encontrada: {imagem}')
# Criar pastas de destino, se ainda não existirem
if not os.path.exists(diretorio_destino_treino):
os.makedirs(diretorio_destino_treino)
if not os.path.exists(diretorio_destino_teste):
os.makedirs(diretorio_destino_teste)
# Copiar as imagens de treino para a pasta de treino
copiar_imagens_para_pasta(treino_df, diretorio_origem, diretorio_destino_treino)
# Copiar as imagens de teste para a pasta de teste
copiar_imagens_para_pasta(teste_df, diretorio_origem, diretorio_destino_teste)
#CONTAR IMAGENS NO DIRETORIO DE TREINO
import os
def contar_imagens(diretorio):
contador = 0
for arquivo in os.listdir(diretorio):
# Verificar se o arquivo é uma imagem (por exemplo, com extensão .jpg, .png, .jpeg, etc.)
if arquivo.endswith(('.jpg', '.jpeg', '.png', '.gif', '.bmp', '.tif', '.tiff')):
contador += 1
return contador
# Diretório onde estão as imagens
dir = '/content/drive/MyDrive/Competição Zindi/train/images'
# Contar quantas imagens existem dentro do diretório
total_imagens = contar_imagens(dir)
print("Total de imagens no diretório:", total_imagens)
#CONTAR IMAGENS NO DIRETORIO DE TESTE
import os
def contar_imagens(diretorio):
contador = 0
for arquivo in os.listdir(diretorio):
# Verificar se o arquivo é uma imagem (por exemplo, com extensão .jpg, .png, .jpeg, etc.)
if arquivo.endswith(('.jpg', '.jpeg', '.png', '.gif', '.bmp', '.tif', '.tiff')):
contador += 1
return contador
# Diretório onde estão as imagens
dir_test = '/content/drive/MyDrive/Competição Zindi/test/images'
# Contar quantas imagens existem dentro do diretório
total_imagens = contar_imagens(dir_test)
print("Total de imagens no diretório:", total_imagens)
"""As bounding boxes das imagens e suas respctivas classes devem estar contidas em arquivo do tipo '_nome_da_imagem.txt_'. Arquivo deve ter a
seguinte estrutura, para cada objeto presente na imagem:
**classe x_center, y_center, largura, altura**
"""
#txt de treino
grouped_data = treino_df.groupby('image_id')
# Diretório de saída para os arquivos de texto
output_dir = "/content/drive/MyDrive/Competição Zindi/train/labels"
os.makedirs(output_dir, exist_ok=True)
# Iterar sobre cada grupo
for image_id, group in grouped_data:
# Nome do arquivo de saída
output_filename = os.path.join(output_dir, f"{image_id}.txt")
# Abrir o arquivo de saída
with open(output_filename, 'w') as file:
# Iterar sobre cada linha do grupo
for index, row in group.iterrows():
# Escrever a classe e as coordenadas da caixa delimitadora no arquivo
bbox = row['bbox']
class_id = row['category_id']
file.write(f"{class_id} {bbox}\n")
#CONTAR LABELS NO DIRETORIO DE TREINO
import os
def contar_imagens(diretorio):
contador = 0
for arquivo in os.listdir(diretorio):
# Verificar se o arquivo é uma imagem (por exemplo, com extensão .jpg, .png, .jpeg, etc.)
if arquivo.endswith(('.jpg', '.jpeg', '.png', '.txt', '.bmp', '.tif', '.tiff')):
contador += 1
return contador
# Diretório onde estão as imagens
diretorio = '/content/drive/MyDrive/Competição Zindi/train/labels'
# Contar quantas imagens existem dentro do diretório
total_imagens = contar_imagens(diretorio)
print("Total de imagens no diretório:", total_imagens)
#txt de teste
grouped_data = teste_df.groupby('image_id')
# Diretório de saída para os arquivos de texto
output_dir = "/content/drive/MyDrive/Competição Zindi/test/labels"
os.makedirs(output_dir, exist_ok=True)
# Iterar sobre cada grupo
for image_id, group in grouped_data:
# Nome do arquivo de saída
output_filename = os.path.join(output_dir, f"{image_id}.txt")
# Abrir o arquivo de saída
with open(output_filename, 'w') as file:
# Iterar sobre cada linha do grupo
for index, row in group.iterrows():
# Escrever a classe e as coordenadas da caixa delimitadora no arquivo
bbox = row['bbox']
class_id = row['category_id']
file.write(f"{class_id} {bbox}\n")
#CONTAR LABELS NO DIRETORIO DE TESTE
import os
def contar_imagens(diretorio):
contador = 0
for arquivo in os.listdir(diretorio):
# Verificar se o arquivo é uma imagem (por exemplo, com extensão .jpg, .png, .jpeg, etc.)
if arquivo.endswith(('.jpg', '.jpeg', '.png', '.txt', '.bmp', '.tif', '.tiff')):
contador += 1
return contador
# Diretório onde estão as imagens
diretorio = '/content/drive/MyDrive/Competição Zindi/test/labels'
# Contar quantas imagens existem dentro do diretório
total_imagens = contar_imagens(diretorio)
print("Total de imagens no diretório:", total_imagens)
"""### Importando e instalndo o YOLO
Instalando a biblioteca ultralytics
"""
!pip install ultralytics
from ultralytics import YOLO
import os
import yaml
"""### Treinamento"""
# Fazendo download do modelo yolo
model = YOLO('yolov8m.pt')
"""O modelo (pré-treinado) foi treinado por 20 épocas. Como entrada de dados é necessário passar um arquivo .yaml com a seguinte estrutura.
**path: /content/drive/MyDrive/CompetiçãoZindi # diretório do dataset**
**train: /content/drive/MyDrive/Competição Zindi/train # imagens de treino (relativo ao 'path')**
**val: /content/drive/MyDrive/Competição Zindi/test # Imagens de validação (relativo ao 'path')**
**#Classes**
names:
0: Others
1: Tin
2: Thatch
"""
# Treinamento
model.train(data = '/content/drive/MyDrive/Competição Zindi/config_comp.yaml',
epochs=20,
patience=5,
batch=16,
imgsz=320,
workers=8,
pretrained=True,
resume=False,
single_cls=False,
project='/content/drive/MyDrive/Competição Zindi/runs',
box=7.5,
cls=0.5,
dfl=0.5,
val=True,
degrees=0.3,
hsv_s=0.3,
hsv_v=0.3,
scale=0.5,
fliplr=0.5)
# Obtendo as metricas de performance do modelo
model = YOLO('/content/drive/MyDrive/Competição Zindi/runs/train42/weights/best.pt')
result = model.val(project='/content/drive/MyDrive/Competição Zindi/runs',
imgsz=320,
batch=16,
conf=0.7,
iou=0.7,
save_json=False,
save_hybrid=False,
split='val')
"""### Gerando previsões e fazendo submissões"""
# Função para contar as classes presentes em uma imagem
import json
# Importando o modelo
model = YOLO('/content/drive/MyDrive/Competição Zindi/runs/train42/weights/best.pt')
def get_classes_count(pred_json: str):
classes_count = {}
classes_count[0] = 0
classes_count[1] = 0
classes_count[2] = 0
for j in json.loads(pred_json):
classes_count[j['class']] += 1
return classes_count
# Importando o conjunto de teste
test = pd.read_csv('/content/drive/MyDrive/Competição Zindi/Test.csv')
# Gerando arquivo para submissão
import os
import pandas as pd
from tqdm import tqdm
submission_df = pd.DataFrame(columns=["image_id", "Target"])
imagens_com_erro = []
for index, row in tqdm(test.iterrows(), total=len(test)):
image_id = row['image_id']
try:
pred = model.predict(f"/content/drive/MyDrive/Competição Zindi/Images/{image_id}.tif",conf=0.7)
pred_json = get_classes_count(pred[0].tojson())
df = pd.DataFrame({"image_id" : [f"{image_id}_1", f"{image_id}_2", f"{image_id}_3"],
"Target" : [pred_json[0], pred_json[1], pred_json[2]]})
submission_df = pd.concat([submission_df, df], axis=0)
except Exception as e:
print(f"Erro ao processar a imagem {image_id}: {e}")
imagens_com_erro.append(image_id)
submission_df.to_csv("submission_7.csv", index=False)
if imagens_com_erro:
print("As seguintes imagens causaram erro ao processar:", imagens_com_erro)
else:
print("Todas as imagens foram processadas com sucesso.")