如何使用深度学习框架目标检测算法Yolov5 训练柑橘病害缺陷数据集的训练与处理 建立基于深度学习yolov5的柑橘病害缺陷检测

深度学习框架目标检测算法Yolov5 训练柑橘病害缺陷数据集的训练与处理 建立基于深度学习yolov5的柑橘病害缺陷检测

以下文字及代码仅供参考。

train: F:/cells/yolo/yoloDt_241226210900248/train/images val: F:/cells/yolo/yoloDt_241226210900248/valid/images nc: 12 names: - Brown_Spot - Citrus_Black_Spot - Citrus_Canker - Citrus_Greasy_Spot - Citrus_Scab - Greening - Healthy - Leprosis - Orange_Scab - Sooty_Mold - Thrips - Xyloporosis
1

1

，使用YOLOv5模型，如何根据路径和类别信息设置和训练YOLOv5模型。

1. 数据准备

被划分成训练集和验证集，并且每个集合的图像存储在指定目录中。
接下来，同学你需要确保每个图像都有相应的标注文件（通常是.txt格式），这些文件应该位于与图像对应的目录下，且命名应与图像文件名相同（除了扩展名不同）。每行代表一个对象，格式为<class_index> <x_center> <y_center> <width> <height>，其中坐标值归一化到0-1之间。

2. 配置数据集

创建一个名为data.yaml的文件，用于定义数据集路径和类别信息：

train: F:/cells/yolo/yoloDt_241226210900248/train/images
val: F:/cells/yolo/yoloDt_241226210900248/valid/images

nc: 12  # 类别数量
names: ['Brown_Spot', 'Citrus_Black_Spot', 'Citrus_Canker', 'Citrus_Greasy_Spot', 'Citrus_Scab', 'Greening', 'Healthy', 'Leprosis', 'Orange_Scab', 'Sooty_Mold', 'Thrips', 'Xyloporosis']

3. 环境搭建

首先，确保安装了必要的库和工具：

pip install torch torchvision torchaudio
git clone https://github.com/ultralytics/yolov5  # 克隆YOLOv5仓库
cd yolov5
pip install -r requirements.txt

4. 模型训练

使用YOLOv5的训练脚本来训练模型。假设你已经在yolov5目录下：

python train.py --img 640 --batch 16 --epochs 100 --data data.yaml --weights yolov5s.pt

• --img：输入图像尺寸（例如640）。
• --batch：批次大小（例如16）。
• --epochs：训练周期数（例如100）。
• --data：数据配置文件路径（即data.yaml）。
• --weights：预训练权重路径（可以使用YOLOv5的预训练模型作为起点，如yolov5s.pt）。

5. 调整超参数

根据实验结果调整学习率、批次大小、训练轮次等超参数以优化模型性能。可以通过修改train.py中的相关参数或者直接在命令行中添加参数来进行调整。

6. 模型推理

训练完成后，你可以使用如下命令进行推理：

python detect.py --source F:/cells/yolo/test_images --weights runs/train/exp/weights/best.pt --conf 0.25

• --source：测试图像或视频的路径。
• --weights：训练得到的最佳模型权重路径。
• --conf：置信度阈值，用来过滤低置信度预测框。

7. 性能评估

使用mAP（mean Average Precision）等指标评估模型性能。YOLOv5自带的val.py脚本可以帮助完成这项工作：

python val.py --data data.yaml --weights runs/train/exp/weights/best.pt --img 640

这将输出模型在验证集上的表现，包括mAP和其他详细指标。

建立基于YOLOv5的柑橘缺陷病害识别系统涉及到使用训练好的模型权重进行推理，将该系统集成到应用中，并可能包括对系统的优化和部署。以下是详细的步骤：

1. 确认环境准备

确保你的环境中已经安装了必要的依赖库，并且YOLOv5仓库已克隆并配置好。

pip install torch torchvision torchaudio
git clone https://github.com/ultralytics/yolov5  # 克隆YOLOv5仓库
cd yolov5
pip install -r requirements.txt

2. 准备训练好的权重

确保你已经有了通过之前训练得到的最佳权重文件（例如best.pt），这个文件通常位于runs/train/exp/weights/目录下。

3. 使用训练好的权重进行推理

单张图片推理

可以使用以下命令对单张图片进行预测：

python detect.py --source path/to/image.jpg --weights runs/train/exp/weights/best.pt --conf 0.25

• --source: 输入图像路径。
• --weights: 训练好的模型权重路径。
• --conf: 置信度阈值，用来过滤低置信度的检测框，默认是0.25。

批量推理

如果想要对一个目录中的所有图像进行批量推理，只需指定目录路径作为--source参数的值：

python detect.py --source path/to/images_folder --weights runs/train/exp/weights/best.pt --conf 0.25

4. 集成到应用程序中

为了将这个系统集成到更大的应用程序中，你可以直接调用YOLOv5的Python API来执行推理。这里是一个简单的示例代码片段，演示如何加载模型并对图像进行推理：

from pathlib import Path
import torch

# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/exp/weights/best.pt')  # 或者直接使用路径加载

# 图像路径
img_path = 'path/to/image.jpg'

# 推理
results = model(img_path)

# 显示结果
results.print()  # 控制台输出
results.show()   # 显示标注后的图像
results.save()   # 保存标注后的图像到'runs/detect/exp'目录下

5. 系统优化与部署

• 性能优化：根据实际需要调整输入尺寸、批次大小、以及后处理参数（如NMS阈值）等以达到更好的性能或准确率。
• 部署：选择将模型转换为ONNX格式或其他轻量级格式以便于在不同的平台上部署。YOLOv5支持导出为多种格式，方便部署到移动端或服务器端。

# 导出为ONNX格式
python export.py --weights runs/train/exp/weights/best.pt --include onnx

6. 性能评估

在部署前，建议对模型进行全面的性能评估，包括但不限于mAP、召回率、精确率等指标。这可以通过运行val.py脚本完成：

python val.py --data data.yaml --weights runs/train/exp/weights/best.pt --img 640