跳到主要内容

训练自定义检测器模型

通过Roboflow、Google Colab和您自己的数据集，您可以快速为Limelight训练自定义检测器模型。

以下是您需要采取的步骤概述：

  • 收集并标注感兴趣对象的图像。
    • 在这种情况下，"标注"是指在感兴趣对象周围绘制边界框的过程。所有这些都可以在Roboflow的网页界面中完成。
    • 或者，您也可以从Roboflow Universe中选择公共数据集
  • 将标注好的数据集导出为.tfrecord格式，上传到Google Drive，并使用我们的免费训练Notebook与Google Colab一起使用。
    • Google Colab允许您使用云端强大的GPU免费训练神经网络。

教程：

1. 数据集​

Limelight训练Notebook需要一个压缩的.tfrecord数据集。Roboflow可以一键导出.tfrecord归档文件。

您可以使用Roboflow构建自己的数据集，或浏览Roboflow Universe寻找预先标注的数据集。

如果您选择构建自己的数据集，请阅读以下内容：

  • 您应该最大化数据集的多样性。您的数据集的多样性应该超过部署后Limelight将看到的场景的多样性。

  • 数据集的质量和准确性极其重要。确保您的边界框准确并遵循单一的约定。 例如，部分被遮挡对象的边界框应该只捕获对象的可见部分。

  • 类别标签使用全小写字母

  • 尽量减少类别标签的数量。

  • 利用Roboflow的增强功能，但确保它们是有意义的。例如，如果您正在检测红色和蓝色球，请确保您没有在增强数据集中反转或大幅修改色调。

一旦您标注或找到了数据集，使用Roboflow的"Download Dataset"按钮将其导出为Tensorflow TFRecord格式。将此归档文件上传到您的Google Drive。

2. 训练模型​

要训练您的自定义检测器，请使用Limelight检测器训练Notebook启动Google Colab会话。

该Notebook不需要任何代码更改。按照以下步骤训练您的模型：

第1部分​

  1. 展开第一部分，并点击前三个代码块左上角的播放按钮。最后的"测试"代码块可以跳过以节省时间。
LL4 Technical Drawing
  1. 如果您看到重启按钮，请忽略它。
LL4 Technical Drawing
  1. 如果您看到类似这样的窗口，请点击"取消"
LL4 Technical Drawing

第1.1部分​

  1. 展开该部分，运行第一个代码块，并输入指向您的tfrecord.zip文件的Google Drive链接。确保您的tfrecord.zip在Google Drive中设置为"拥有链接的任何人可访问"

第2部分​

  1. 运行两个代码块以解压缩并解析tfrecord.zip

第3部分​

  1. 运行第3部分中的所有代码块以准备训练

第4部分​

  1. 运行第4部分中的所有代码块以开始训练。

  2. 在训练脚本运行时，您可以刷新文件面板和tensorboard以监控进度。每2000步应该会在"training_progress"文件夹中出现一个新的检查点。

  3. 虽然训练将在40000步自动停止，但您可以随时使用本节最后一个代码块中的停止按钮停止它。只要有检查点可用，您就可以继续进行量化和编译。

第5-7部分​

  1. 运行第5部分中的所有代码块，生成标签文件并将模型转换为兼容的FlatBuffer格式
  2. 运行第6部分中的所有代码块，将模型量化为INT8/8位推理。
  3. 运行第7部分中的所有代码块，为Google Coral和Limelight准备模型。最后一个代码块将花费一些时间，并将训练好的模型下载为.zip文件。

上传到Limelight​

  1. 解压您Colab会话中的归档文件。
  2. FTC团队 - 如果您有Limelight3A，上传8位tflite模型和labels.txt。您需要将运行时引擎从"coral"更改为"cpu"
  3. FRC团队 - 如果您有Google Coral，将limelight_neural_detector_coral.tflite和labels.txt文件上传到您的Limelight。