YOLOv5目标检测

项目介绍和环境配置

  • github上找到对应的仓库，选择master分支中的tag中的YOLOv5版本，点Code中的压缩文件下载，解压后用pycharm打开，叉掉默认的创建环境提示，在设置中配置上自己的虚拟环境
  • 安装requirements.txt文件中所需要的库，直接点击pycharm的提示进行安装该文件中所需要的库，也可在底部终端中的虚拟环境中输入：pip install -r requirements.txt，安装pycocotools库过程中报错，需要先安装c++编译工具，根据提示去官网下载工具，勾上c++桌面开发和组件中搜build选中最后一个，安装即可（安装完成后启动，如然后在弹出得黑框瞎按一通，然后卡住，要等很久说命令无效，然后叉掉黑框，等很久，可能会卡住，好了之后）安装pycocotools库

使用YOLOv5进行预测

利用detect.py文件进行预测

  • 可用命令行的方式：例如：$ python detect.py --source data/images --weights yolov5s.pt --conf 0.25
  • 在pycharm中进行预测：
  • 库都导入后运行detect.py，可能会报错：Can't get attribute 'SPPF' on <module 'models.common' from 'F:\project\dl\yolov5-5.0\models\common.py'>，原因是models.common.py中没有SPPF类，去GitHub上将对应文件中的该类的代码粘过来即可运行detect.py
  • detect.py中的main函数下的source参数指定检测哪个资源，在runs文件下的detect文件下的exp文件夹中可以看到对应资源的检测结果
  • detect.py中的main函数下的参数
  • weights：指定不同版本的预训练网络模型的参数，例如可以将默认的yolov5s.pt改为yolov5m.pt，再运行，可以在github上找到各种不同版本的网络，将其下载粘贴到yoloyv5-5.0项目下，在将参数改成对应的，再运行能达到相同的效果
  • source：指定网络的输入，路径不能有中文，可以是一个文件夹（将会检测该文件夹下所有的文件），也可以是一张图片，也可是一个视频
  • img-size：将输入的图片reshape成指定大小，再预测，但原始输入和输出保持一致
  • conf-thres：置信阈值，大于设置值如0.25时才相信检测的对象是我们标记中的一种，才在结果中框出来
  • iou-thres：非极大抑制的思想中的度量指标，对于某个对象有多个框重叠，但重叠的框框的交并比（IOU）大于某个阈值时，我们就要抑制概率不是极大的框，只保留概率极大的那个框，当小于该阈值时，对于多个框框就不进行非极大抑制
  • device：运行设备
  • --project：将结果保存在哪个位置
  • --name：结果文件夹的名称
    下面的参数都是无默认值：如在虚拟环境中python detect.py --view-img，则表示该属性为True，会执行对应的效果
  • --view-img：是否运行时实时显示检测结果。也可在运行按钮左边的配置中的Parametes中设置为：--view-img，再运行detect.py文件，能达到相同的效果
  • --save-txt：是否将结果保存为txt文件，和上个参数一起设置的形式为：--view-img --save-txt
  • --save-conf：是否保存置信度
  • --nosave：是否保存检测结果图片/视频
  • --classes：过滤检测的对象，如只想检测类别编号为0的类：--classes 0
  • --exist-ok：若设置为True，则每次结果都会新建文件夹保存，否则，会保存在上次运行结果得文件夹中

可在opt = parser.parse_args( )处打上断点，再debug运行detect.py，可看到每个参数得具体值

有的项目中参数中未提供默认值，但参数设置required=True，表示必须要提供参数，我们就将required=True删除，添加default="..."

训练YOLOv5神经网络

本地训练

  • 运行train.py文件，通道数报错则在参数中将cfg默认值设为：'models/yolov5s.yaml'
  • 运行，下载数据集coco128，可能压缩文件下载的位置不对且自动解压失败，手动解压到和项目YOLO同级目录下即可，结果依然保存在run文件夹中
  • 研究main函数中参数的意义

云端GPU训练

  • 谷歌Colab：将本地项目压缩后上传到Colab云端文件夹上
  • 用命令行将文件解压，并删除不必要的文件夹，进入文件夹，下载对应需要的库

制作自己的数据集训练

  • 下载一些图片，图片名改为无中文，创建yaml配置文件，使用在线工具上传图片并选择手动或自动进行标注，标注完后打包下载，在yolo项目下建一个MyData文件夹，里面建images和labels文件夹，在images和labels下面可分别建train和test文件夹，将下载的图片和标注放到对应的文件夹下，写MyData.yaml文件
  • 仿真数据集（GAN、数字图像处理的方式）