Install
[**Python>=3.6.0**](https://www.python.org/) is required with all
[requirements.txt](https://github.com/ultralytics/yolov5/blob/master/requirements.txt) installed including
[**PyTorch>=1.7**](https://pytorch.org/get-started/locally/):
```bash
$ git clone https://github.com/HRan2004/yolov5
$ cd yolov5
$ pip install -r requirements.txt
```
Datasets
数据集的准备，大体结构与YOLOv5一致。目录结构如下。
```text
datasets
├ images
│ └ img1,img2...
├ labels
│ └ txt1,txt2...
├ train.txt
└ val.txt
```
images与labels文件夹中存放图片与标签，train.txt与val.txt用于分类图片作为训练集或测试集。存放图片路径，一行一个，会自动计算标签路径。
区别在于txt文件中的坐标信息。 当输出边数，即参数edges为4时，用于检测4边形，数据集需要四点坐标。
注意：坐标宽高，全都为相对图片宽高归一化后的数据，即0到1范围内
```text
YOLOv5: class center_x center_y width height
Yolo-ArbV2: class x1 y1 x2 y2 x3 y3 x4 y4
```
Args
在hyp中新增了5项参数。
```yaml
edges: 4 # edges of poly for net output
poly: 1.2 # obj loss gain (scale with pixels)
start_poly: 0 # epoch to start use poly loss
poly_out: 0.5 # max percent for poly out of box
poly_loss_smooth: 0.005 # smooth scope for SmoothL1Loss
```
edges 多边形边数，必填。用于设置模型输出多边形信息的边数，识别四边形则为4，需与数据集一致。设置为0时，模型功能等同于YOLOv5。
poly 多边形框损失。多边形损失权重。
start_poly 开始poly损失的epoch。由于poly相对于box进行归一化输出，建议box准确后再进行训练poly。
poly_out 出框量。poly可溢出box的最大比值。由于数据增强对box框的切割，实际poly位置可能溢出box。
poly_loss_smooth 损失平滑范围，后期将删除该参数。由于输出结果归一化，使用SmoothL1Loss需减少平滑区范围。建议填写0.005。
Args
在hyp中新增了5项参数。
```yaml
edges: 4 # edges of poly for net output
poly: 1.2 # obj loss gain (scale with pixels)
start_poly: 0 # epoch to start use poly loss
poly_out: 0.5 # max percent for poly out of box
poly_loss_smooth: 0.005 # smooth scope for SmoothL1Loss
```
edges 多边形边数，必填。用于设置模型输出多边形信息的边数，识别四边形则为4，需与数据集一致。设置为0时，模型功能等同于YOLOv5。
poly 多边形框损失。多边形损失权重。
start_poly 开始poly损失的epoch。由于poly相对于box进行归一化输出，建议box准确后再进行训练poly。
poly_out 出框量。poly可溢出box的最大比值。由于数据增强对box框的切割，实际poly位置可能溢出box。
poly_loss_smooth 损失平滑范围，后期将删除该参数。由于输出结果归一化，使用SmoothL1Loss需减少平滑区范围。建议填写0.005。
##
解决方法也很简单，在描边前进行补充起点在终点后方即可。
```python
def resample_segments(segments, n=500):
# Up-sample an (n,2) segment
for i, s in enumerate(segments):
s = np.concatenate((s, s[0:1, :]), axis=0)
x = np.linspace(0, len(s) - 1, n) # Debug
xp = np.arange(len(s))
segments[i] = np.concatenate([np.interp(x, xp, s[:, i]) for i in range(2)]).reshape(2, -1).T # segment xy
return segments
```
Datasets & Loss
为合理计算损失，在数据增强时，会有旋转翻折等情况，数据点位顺序可能错乱，所以在数据增强完毕后，要进行顺序处理。
最终转换为由最高点为起点，顺时针旋转的多边形数据。这使得直接计算对应位置点位距离的损失方法可行了。
以下为比较简洁的批量实现方式
```python
# Make polygons start with the highest point
# and order with clock wise
# Input shape : [polygons_num,edges,2(x,y)]
# Output shape : ==Input shape
def polygons_cw(polys):
ps = polys.shape
hpi = np.argmax(polys[..., 1::2], axis=1).reshape(polys.shape[0]) # Highest point index
lpi,rpi = hpi-1,hpi+1
np.place(lpi,lpi==-1,ps[1]-1)
np.place(rpi,rpi==ps[1],0)
lrpi = np.concatenate(([lpi], [rpi]),0).T.flatten() # Left right point by highest point
p1 = polys.reshape((-1,2))[hpi+np.arange(ps[0])*ps[1]].repeat(2,axis=0).reshape(-1,2,2)
p2 = polys.reshape((-1,2))[lrpi+np.arange(ps[0]).repeat(2)*ps[1]].reshape((-1,2,2))
pc = p2-p1
d = 90-np.arctan(pc[...,0]/pc[...,1])*180/math.pi
isCw = d[...,0]
如上图，缺少上边线，并且右边线遭到切割时，生成的box出现了错误。