【yolov5自习笔记】手把手教你火灾识别检测案例

本文基于博客众多yolov5有关的使用教程，结合自己的实际情况，写下本篇教程。本人目前仍是一位才疏学浅的大学牲，在文章中如有纰漏，欢迎在评论区留言纠正！
因篇幅原因，对于配置环境，其它帖子里有更为详细的教程，本文在此不再一一列数，将环境部署的任务简要提及一下，以及一些注意事项。
首先先啰嗦一句，关于什么是YOLOv5 ，YOLOv5 是一种基于深度学习的目标检测模型，是一种功能强大、灵活且高效的目标检测模型，适合广泛的计算机视觉任务，特别适用于需要快速处理的应用场景，如视频监控、自动驾驶和无人机检测等。

使用yolov5之前需要进行的步骤：
1.安装Anaconda（可以实现创建一个独立的虚拟环境，便于在不同项目中使用不同的依赖版本，避免冲突），官网地址Download Anaconda Distribution | Anaconda

2.安装python和vscode（如果不用vscode也行，比如也可以用pycharm，本文将会使用vscode实现）

python下载地址：

vscode下载地址：Welcome to Python.org
Visual Studio Code - Code Editing. Redefined
pycharm下载地址：Download PyCharm: The Python IDE for data science and web development by JetBrains

3.下载yolov5框架及其模型
yolov5下载地址：ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)

建议使用魔法上网，进入github会比较稳定些，偶尔不挂梯子也能进去。

不熟悉github下载资源的小伙伴可以查看这里：

可以直接下载zip压缩包，解压到自己对应的路径下。如果安装过git包的，也可以直接克隆。

下载好之后，使用vscode打开该文件夹（yolov5-master），打开后vscode左侧栏会出现文件夹所对应的列表

4.创建虚拟环境
win+r，输入cmd，再执行命令：
conda create -n yolo1 python=3.9
这里的yolo1是我自定义的虚拟环境名称，可以修改成别的。python是该虚拟环境下所配置的python版本，不同虚拟环境可以配置不同的python版本进行项目管理。

创建完毕之后，打开vscode终端，在终端激活虚拟环境：
conda activate yolo1
就可以出现如下所示的情况（前面有虚拟环境名称），证明激活成功：

然后在该虚拟环境下执行：
 

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

这一步是下载安装依赖，因为yolov5-master下的目录里有requirements.txt，里面包含了所有需要用到的库的名称。

等安装完成之后，再在终端输入python train.py测试一下安装依赖是否成功，如果成功则会跑通。

出现类似代码说明代码可以跑通了。

到目前为止虽然是跑通了，但是是用cpu进行训练的，速度远不及cpu，接下来为了使用gpu进行训练，将会提到如何配置pytorch以及cuda加速。

5.pytorch、cuda、cudnn版本选择及安装

win+R-cmd,运行nvidia-smi，右上角处表明你的电脑所支持的最高CUDA版本。

如图，本人电脑最高支持12.6版本的，下载cuda则不要超过这个版本。

下载pytorch：PyTorch

选择对应选项，下面会自动生成指令，将其复制到你的虚拟环境中国，回车即可安装pytorch

当然这个过程十分漫长，因此我推荐去镜像下载对应你电脑cuda版本以及python版本的whl文件。比上面的速度要快很多。
镜像链接：download.pytorch.org/whl/torch_stable.html

cu118-cp312-cp312-win_amd64.whl
镜像网站搜索本电脑适配的关键词👆（在镜像网站ctrl+f搜索，请在此基础上修改）
cu118表示你目前所安装的cuda版本（注意，不是你nvidia-smi之后所看到的哪个最高版本！！！），cp312表示该虚拟环境的python版本是3.12，请根据自己实际情况去下载对应的pytorch的whl文件。
pytorch文件一共需要下载三个，分别是：
torch、torchaudio、torchvision

本人下载的是以下三个：

以上是本人根据自己python3.12，cuda11.8版本，所选择的whl文件。

下载好之后如上保存到同一路径下，安装方式是先激活（yolo1）虚拟环境，然后在该虚拟环境下，将路径更换为放置这三个whl文件的文件夹所在路径

也就是：
cd 环境名称

比如我放置这三个whl文件的路径是 E:\Desktop\yolo\NEW_torch的话，那么只需要依次终端输入：
pip install E:\Desktop\yolo\NEW_torch\torch-2.3.1+cu118-cp312-cp312-win_amd64.whl

pip install E:\Desktop\yolo\NEW_torch\torchaudio-2.3.1+cu118-cp312-cp312-win_amd64.whl

pip install E:\Desktop\yolo\NEW_torch\torchvision-0.18.1+cu118-cp312-cp312-win_amd64.whl

这样。pytorch就安装好了。

其次是安装cuDNN，官网：cuDNN Archive | NVIDIA Developer
安装命令为：conda install cudnn=8.9 #示例，选择8.9版本，后面的小版本号不用管

安装完成之后测试一下以下代码，若能返回True，则说明可以使用gpu加速模型训练了。
python
import torch
print(torch.cuda.is_available())

5.Yolov5使用与调参

在yolov5-master同级目录下创建一个名为VOC的文件夹，里面的结构如图所示

这里简单介绍一下，iamges分为train和val（训练集图片和验证集图片），labels分为train和val（训练集标签和验证集标签）。关于如何快速获得训练集和打标签，这里推荐使用Roboflow平台（需要魔法上网）：Sign in to Roboflow

Robofow是一个免费开源数据集管理平台，它不仅提供免费的数据集，还支持上传自己的数据集并进行打标签，比传统使用的labeling效率要高太多了。下图展现的是roboflow标注数据集并打标签的一个功能。

该平台具体使用教程推荐：Roboflow标注平台使用----小白都能看懂-CSDN博客
通过roboflw平台标注，可以获得标签数据集，如下图所示。

将数据集都打标签好了之后，推荐将数据集按照8：2比例划分成训练集和验证集，然后就可以开始进行配置文件的修改啦！

以上是我已经分配好的火灾检测数据集，注意路径要放置正确。

然后开始对配置文件进行修改。
首先修改yolov5-master\models的yolov5m.yaml，将nc这行参数改成你的标签种类数目（本人只检测“fire”，所以这里是1）

其次是修改data/coco128.yaml，train和val修改路径为VOC文件夹里的train和val文件夹路径（这里的train和val都是相对路径），其次是修改nc，与之前同理。names这里要修改的是所识别的目标的所有名称。

然后是修改和运行train.py文件：

打开train.py文件，ctrl+f，输入def parse_opt(known=False):，迅速定位到以下位置。

这里要修改的地方依次是
1.你所使用的pt模型文件（可在官网下载），本人使用的是yolov5m.pt，并且它在yolov5-master/weights文件夹里。该pt模型下载来源：ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)

我们要进行的yolov5的模型训练，是要在官方pt模型的基础上训练出来的，不同的pt模型性能各不相同，笔者在此不再一一赘述。

2.此处换成修改的models/yolov5m.yaml文件

3.此处换成刚才修改的data/coco128.yaml文件

4.epochs是模型训练的迭代次数，一般默认为300次。

5.batch_size：是表示一次训练图片的张数，要根据自己电脑的gpu实际情况来选择，如果数值设置太大就会爆显存，以至于训练中断。本人电脑的gpu是NVIDIA GeForce RTX 3060 Laptop GPU，显存6gb。（可在任务管理器查看）因此我设置张数为2.

到这里就是都修改完毕了，然后我们在终端里先进入虚拟环境（conda activate yolo1），输入python train.py运行，就开始模型训练了。

最后训练好的模型会保存到以下路径：

runs/train/exp/weights

打开该文件夹，会发现有两个训练好的模型，best.py和last.py。

其中best.pt是训练过程中在验证集上表现最好的模型权重文件，通常我们会选择使用这个pt模型，而last.pt是训练过程结束时的最后一个模型权重文件，包含了训练过程中的最新状态，器性能通常不及best.pt模型。

接下来就是使用我们刚刚训练得到的best.pt模型进行目标检测任务了，这一步就意味着我们要看看新训练出来的模型效果怎么样。

6.修改detect.py 文件

打开detect.py，修改如图所示的位置

第一处：改成你best.py模型所在位置

第二处：存放需要检测的验证集图像的位置

第三处：data/coco128.yaml

然后进入虚拟环境，运行：python detect/py
【附注】detect.py有一行代码是：

此处source路径要更改为你需要检测的检测集的路径，它会覆盖掉之前你修改过的这里的路径（也就是说以上面source所改的路径优先，因为会覆盖掉下面的路径）：

出现类似以下情况说明检测结果完毕：

倒数第二行表示检测结果存放在了runs\detect\exp7路径下。

我们看看runs\detect\exp7。

可以看到被检测的图片都被识别出来了目标，这里是火灾的识别效果，打开其中一张查看。

数字0.87和0.91是置信度，置信度数值越趋近于1说明训练效果越好。从该检测结果的置信度来看，检测效果还不错。值得一提，如果想要检测视频的话，那么就直接将验证集里的数据换成视频格式的文件就好了（比如mp4），模型检测时会将视频一帧一帧地处理，在终端你可以查看到它的当前任务进度，随后会得到mp4文件并保存到runs\detect某个exp文件里，视频中会出现跳动的识别框。

至此，你已经可以自己尝试动手做模型训练啦，感谢你愿意浏览我这篇拙笔之作，希望它对你有所帮助！我是才疏学浅的雨心，本文出现纰漏在所难免，欢迎在评论区纠正我的错误。

————————【后记】————————————

分享一个可以免费下载数据集的网站，这是我最近发现的：超过 8000 个关于“森林火灾”和“森林”的免费视频、高清及 4K 视频片段 - Pixabay

至于其它获取数据集的途径，常见的还有github和以下链接等，都是从网上找到的：
 

http://academictorrents.com

https://github.com/awesomedata/awesome-public-datasets

https://blog.csdn.net/u012735708/article/details/82682673

https://www.cnblogs.com/ansang/p/8137413.html

http://vision.stanford.edu/resources_links.html

http://slazebni.cs.illinois.edu