隧道雷达标记预测系统

系统整体设计

标记系统部分：

1. DZT文件上传服务器

- 上传文件进度条+备注文件名+解析参数配置

2. 解析DZT文件

- 彩、灰度两种解析模式的实现
- 实现解析模块多线程
- dzt图片转文件显示纵坐标

3. DZT文件解析结果

- 单个图片以卡片展示
- +标记状态
- 分页展示降低服务器压力
- 展示DZT文件信息并对展示方式美化

4. 单文件上传

- 上传文件进度条

5. 图片标记

- 图片结果页面卡片修改+分页
- +标记状态
- 标记文件导出YOLO格式到 训练系统

训练系统部分：

1. 标记图片转YOLO格式做训练
2. 训练数据日志可视化
3. 导出训练模型(.PT,ONNX)
4. 进行模型推断（单图方式和文件夹方式）

具体详情查看：https://www.likecy.cn/archives/yolov5-zai-sui-dao-lei-da-dzt-yu-ce-zhong-de-ying-yong

预测系统部分：

1. 后端flask整合YOLOv5模型进行预测
2. 前端VUE系统基础搭建，单图预测展示功能

标记系统功能

• 登录页面
  
• DZT文件处理页面
  
• 上传DZT文件并配置解析参数
  
• 一键解析DZT文件
  
• DZT解析出的图片列表
  
• 标记系统
  
• 单图上传（为了把之前的旧数据使用起来）
  
  
  第二版的标记系统：
  
  标记系统-详细操作：
  1. 左边的图片区域可以框选目标区域，右边展示的为这个图片的详情。
  2. 框选完区域之后，点击右边的【打标签】的按钮进行标记。
  3. 在标记完成之后，点击【标记保存】即可。（注意⚠️，一定要保存啊⚠️）
  4. 若此图暂无标记内容，即点击【无标记内容】即可。
  5. 点击【下一张图片】即可进入下一张图片的标记。

雷达隧道dzt在线预测系统（单图）

目前完成了flask整合yolov5训练出的网络模型权重文件。

0 .如何使用

进入到··预测系统后端··目录
pip install -r requirements.txt #环境依赖安装
python app.py # 启动项目
之后打开浏览器到：localhost:5003 使用

1.如何进行二次开发

• 后端开发

  ​ 后端是标准的flask应用程序

  功能目录结构如下：

  ├── app.py  # flask系统入口启动文件
  ├── core  # 预测系统核心包
  ├── models  #YOLOv5模型网络结构包
  │   ├── __init__.py
  │   ├── common.py
  │   ├── experimental.py
  │   ├── tf.py
  │   ├── yolo.py
  │   ├── yolov5l.yaml
  │   ├── yolov5m.yaml
  │   ├── yolov5s.yaml
  │   └── yolov5x.yaml
  ├── processor
  │   ├── AIDetector_pytorch.py   ##重点，封装的加载pytorch模型做预测
  ├── requirements.txt   ## 环境依赖
  ├── static   ##这个目录保存前端build出的文件，也就是前端编译出的dist文件夹目录里面的东西放在这里面
  │   ├── css
  │   │   ├── app.b740b99f.css
  │   │   └── chunk-vendors.97c29ee6.css
  │   ├── favicon.ico
  │   ├── fonts
  │   │   ├── element-icons.535877f5.woff
  │   │   └── element-icons.732389de.ttf
  │   ├── index.html   ## 前端入口文件
  │   └── js
  │       ├── app.a9a1d649.js
  │       ├── app.a9a1d649.js.map
  │       ├── chunk-vendors.81d1e58a.js
  │       └── chunk-vendors.81d1e58a.js.map
  ├── utils   ## 模型工具包
  │   ├── __init__.py
  │   ├── activations.py
  │   ├── augmentations.py
  │   ├── autoanchor.py
  │   ├── datasets.py
  │   ├── downloads.py
  │   ├── general.py
  │   ├── google_utils.py
  │   ├── metrics.py
  │   ├── plots.py  ##坐标绘图
  │   └── torch_utils.py
  └── weights
      └── best.pt   #训练出的网络模型权重,之后训练出来的权重替换即可。（注意选择yolov5s这个网络，其他网络需要修改yaml配置文件）
  

• 前端开发
  ​ 1.打开 「预测系统前端」目录，就是标准的vue脚手架工程文件

yarn install #安装前端依赖 或者使用npm install进行安装
yarn serve  # 启动前端服务 。
yarn build # 前端开发完成之后打包