yolov5的学习part1

最新推荐文章于 2024-09-08 14:05:26 发布
最新推荐文章于 2024-09-08 14:05:26 发布
阅读量1k 收藏 8
点赞数 16
文章标签： YOLO 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/E___V___E/article/details/140831307
版权

还是基础的anoconda，在opencv的时候就已经安装过了

此视频疑似在2020年底录制，因为他安装anaconda使用如下代码

bash ~/Downloads/Anaconda3-2020.07-Linux-x86_64.sh

由于版本兼容问题，可能要mini conda

PASCAL VOC

PASCAL VOC挑战赛在2005年至2012年间展开。
PASCALVOC 2007：9963张图像，24640个标注；PASCALVOC 2012：11530张图像，27450个标注 该数据集有20个分类：
Person: person
Animal: bird, cat, cow, dog, horse, sheep
Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train                                                              Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor
链接：http:/host.robots.ox.ac.uk/pascal/VOC/voc2012/ 

MS COCO

MS COCO的全称是Microsoft Common Objects in Context,起源于是微软于 2014年出资标注的Microsoft COCO数据集，与ImageNet 竞赛一样，被视为是计 算机视觉领域最受关注和最权威的比赛之一。
在2017ImageNet竞赛停办后，COCO竞赛就成为是当前目标识别、检测等领域的一个最权威、最重要的标杆，也是目前该领域在国际上唯一能汇集Google、微软、
Facebook以及国内外众多顶尖院校和优秀创新企业共同参与的大赛。
http: //cocodataset.org/ 

COCO(Common Objects in Context)数据集包含20万个图像：11.5万多张训练集图像，
5千张验证集图像，2万多张测试集图像
80个类别中有超过50万个目标标注。
平均每个图像的目标数为7.2

目标检测指标

intersection over union

即iou=area of overlap/area of union，实际/网格预测

AP@.50 means the Ap with loU=0.50.
AP@.75 means the Ap with loU=0.75.
For COCO, AP is the average over multiple loU (the minimum loU to consider a positive match). AP@[.5:.95] corresponds to the average AP for loU from 0.5 to 0.95 with a step size of 0.05.
For the COCO competition, AP is the average over 10 loU levels on 80 categories (AP@[.50:.05:.95]: start from 0.5 to 0.95 with a step size of 0.05.

IoU的值越大趋于1，loose变为tight 

average precison

平均精度ap，收集模型为苹果做所有预测，根据预测的置信水平排名，如果precision和ground truth匹配并且IoU>=0.5，就是正确的

举个例子，Rank=3，那么前三个就是现在预测出来的框，其中有两个对的一个错的。

感谢那个rank=3的哥们,已经懂了.rank=4的话,就是预测了四个其中两个预测对了,所以precision=0.5,recall=预测对的苹果/总苹果=2/5=0.4,依此类推


我觉得这个图片可能看看就好

  • 前传耗时（ms）：从输入一张图像到输出最终结果所消耗的时间，包括前处理耗时（如图像归一化）、网络前传耗时、后处理耗时（如非极大值抑制）
  • 每秒帧数 FPS (Frames Per Second):每秒钟能处理的图像数量
  • 浮点运算量（FLOPS）：处理一张图像所需要的浮点运算数量，跟具体软硬件没有关系，可以公平地比较不同算法之间的检测速度。

在Ubuntu安装yolov5和pascal voc数据集

Anaconda 是一个用于科学计算的Python 发行版，支持Linux,Mac,Windows,包含了众多流行的科学计算、数 据分析的 Python 包。
1.先去官方地址下载好对应的安装包
下载地址：https:/www.anaconda.com/download/#linux 2.然后安装anaconda
bash -/Downloads/Anaconda3-2020.07-Linux-x86_64.sh
anaconda会自动将环境变量添加到PATH里面，如果后面你发现输出conda提示没有该命令，那么你需要执行命令 source～/. bashro更新环境变量，就可以正常使用了。
如果发现这样还是没用，那么需要添加环境变量。编辑～/.bashrc文件，在最后面加上
export PATH=/home/bai/anaconda3/bin: $PATH 注意：路径应改为自己机器上的路径

保存退出后执行：source~/.bashrc
再次输入conda list测试看看，应该没有问题。添加Aanaconda国内镜像配置
清华TUNA提供了Anaconda 仓库的镜像，运行以下三个命令：
conda config --add channels https: //mirrors. tuna. tsinghua. edu. cn/anaconda/pkgs/free/          conda config --add channels https: //mirrors. tuna. tsinghua. edu. cn/anaconda/pkgs/main/   conda config --set show_channel_urls yes
I 2)安装pytorch
注意：需要安装pytorch1.6以上的版本
首先为pytorch创建一个anaconda虚拟环境，环境名字可自己确定，这里本人使用pytorch1.6作为环境名：

conda create -n pytorch1.6 python=3.8
安装成功后激活pytorch 1.6环境：
conda activate pytorchl.6
在所创建的pytorch环境下安装pytorch的1.6版本,执行命令：
conda install pytorch torchvision cudatoolkit=10.2 -c pytorch
注意：10.2处应为cuda的安装版本号
编辑〜/.bashrc文件，设置使用pytorch1.6环境下的python3.8
alias python=1/home/bai/anaconda3/envs/pytorchl.6/bin/python3.8
注意：python路径应改为自己机器上的路径
保存退出后执行：source -/.bashrc

1)克隆yolov5项目
安装Git软件(https://github.com/downloads),克隆项目到本地
git clone https://github.com/ultralytics/yolov5.git

或者直接在浏览器github下载yolov5版本v3.1

2）使用清华镜像源:
在yolov5路径下执行:
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
注意：simple不能少，是https而不是http
3） 下载预训练权重文件
下载yolov5s.pt, yolov5m.pt, yolov5l.pt, yolov5x.pt权重文件，并放置在weights文件夹下,                 这个一定要版本适配，否则无法运行
4） 安装测试
测试图片：
在yolov5路径下执行，大概率是因为版本不一样，图片的放置位置变了

python detect.py --source ./inference/images/ --weights weights/yolov5s.pt --conf 0.4

这是min的模型，还有一个大一点的网络模型改为yolov5x.pt，他的精度更为准确

3准备数据集
1）下载项目文件：
从百度网盘下载到yolov5目录下
• VOCtrainval_06-Nov-2007.tar
• V0Ctrainval_11 -May-2012.tar
• VOCtest_06-Nov-2007.tar
• get_voc_u b u ntu. py
2） 生成训练集和验证集文件
解压数据集
tar xf VOCtrainval.ll-May-2012.tar
tar xf VOCtrainval_06-Nov-2QQ7.tar
tar xf VOCtest_Q6-Nov-2007.tar
执行python脚本:

python get_voc_ubuntu.py
在VOCdevkit / vqC2007和VOCdevkit / VOC2012目录下可以看生成了文件夹labels ；
在yolov5目录下生成了文件2007_train.t:xt, 2007_val.txt, 2007_test.txt, 2012_train.txt,                     2012_val.txttrain.txt,train.all.txt
在VOC目录下生成了 images和labels文件夹；
• labels下的文件是JPEGImages文件夹下每一个图像的yolo格式的标注文件，这是由annotations的xml标注文件转换来的
• train.txt和2007一test.txt分别给出了yolov5训练集图片和yolov5验证集图片的列表，含有每个图片的路径和文件名

4）修改配置文件
1)新建文件data/voc・new.yaml  
可以复制data/voc.yaml再根据自己情况的修改；可以重新命名如：data/voc-new.yaml
然后修改配置参数
# download command/URL (optional)
#download: bash data/scripts/get_voc.sh
# train and val data as 1) directory: path/images/z 2) file: path/images.txt, or 3) list:
[pathl/images/, path2/images/]
train: VOC/images/train/ # 16551 images
val: VOC/images/val/ # 4952 images
2)新建文件models/yolov5s-voc.yaml
可以复制rnodels/yolov5s.yaml再根据自己情况的修改；可以重新命名如：models/yolov5s-voc.yaml
然后修改配置参数

#parameters                                                                                                                               nc:20 #number of classes

5）训练PASCAL VOC数据集
1） 训练命令
在yolov5路径下执行,
python train.py --data data/voc-new.yaml --cfg^models/yolov5s-voc.yaml --weights
weights/yolov5s.pt --batch-size 16 --epochs 200
2） 训练过程可视化：
在yolov5路径下执行
tensorboard --logdir=./runs
6）测试训练出的网络模型
1） 测试图片

等待吧，5.1g的显存占用，4060laptop绰绰有余，记得散热开大

E___V___E
关注
  • 16
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
增强型YOLOv5应用于扩展PASCAL VOC数据集
Jurio的博客
03-06 982
本研究采用YOLOv5s模型，通过Fine-tune和Full-train两种方法，在PASCAL VOC 2007与扩展后的数据集上进行了目标检测任务（提供利用COCO扩展VOC数据集的详细代码！！！）。Fine-tune结果表明模型在多数类别上展现出高精度与召回率，尤其在新加入的“大象”类别上表现突出，但在类别间的混淆及少数误检上仍需优化。Full-train显示模型在没有预训练辅助下的表现有所波动，尤其是对小物体和复杂场景的识别准确度下降，但在特定类别上依旧保持较高的识别能力。
Ubuntu下制作VOC数据集（包含LabelImg的使用）
Zhang950225的博客
10-19 876
将所有的图片统一命名   在正式开始对图片做标记之前，要对图片统一命名，方便管理。先将所有的要做标记的图片放到同一个空白文件夹下，注意：图片文件需要是jpg格式的。在任意位置处打开命令行终端执行下述命令新建一个py文件 sudo gedit rename.py   在其中输入如下代码，保存关闭 import os path = "F:\\prtscr" filelist = os.listdir(path) #该文件夹下所有的文件（包括文件夹） count=1 fo
制作自己的数据集完整过程（按照VOC格式）（ubuntu+python3+labelImg）
棉花糖的博客
08-16 6907
本文按照VOC数据集的格式，制作出自己的数据集，此外介绍一款使用方便且能够标注多类别并能直接生成xml文件的标注工具——labelImg工具。 VOC数据集的介绍：https://blog.csdn.net/tttabcgy/article/details/80191889 Ubuntu源码安装 由于Ubuntu系统自带python，这款软件在Ubuntu环境下的安装是最方便的。软件要求py...
建立自己的voc数据集_在Ubuntu内制作自己的VOC数据集
weixin_34168228的博客
01-12 142
一、VOC数据集的简介PASCAL VOC为图像的识别和分类提供了一整套标准化的优秀数据集，基本上就是目标检测数据集的模板。现在有VOC2007，VOC2012。主要有20个类。而现在主要的模型评估就是建立在VOC数据集和COCO数据集上(80个类)，其指标主要是mAP和fps(帧率)。VOC数据集有五个文件夹├── Annotations # 存放xml文件，主要是记录...
只需10步 带你完成Ubuntu python Yolov3 darknet VOC数据集 模型训练
beautifulmost_me的博客
05-07 562
yolov3 训练自己的数据集 linux ubuntu GPU python
YOLOv1中文翻译1
08-03
YOLO的架构和方法对后续的目标检测算法产生了深远影响，例如YOLOv2和YOLOv3，它们通过优化网络结构和训练策略，进一步提升了检测性能，尤其是在处理小目标和提升定位精度方面。YOLO的成功证明了将目标检测视为整体...
Jetson nano上部署自己的Yolov5模型（TensorRT加速）
热门推荐
ailaier的专栏
04-30 3万+
背景 在主机上训练自己的Yolov5模型，转为TensorRT模型并部署到Jetson Nano上，用DeepStream运行。 硬件环境： RTX 2080TI主机 Jetson Nano 4G B01 软件环境： Jetson Nano: Ubuntu 18.04 Jetpack 4.5.1 DeepStream 5.1 主机： Ubuntu 18.04 CUDA 10.2 yolov5 5.0 训练模型（主机上） yolov5项目链接https://github.com/
测试yolov5训练的模型对某一批数据的检测结果的mAP
weixin_45354497的博客
04-18 1586
测试yolov5训练的模型对某一批数据的检测结果的mAP
YOLOv5-7.0及get_voc_windows.py下载
m0_73613602的博客
02-07 412
YOLOv5-7.0及get_voc_windows.py下载
利用pytorch版本yolo-v5在自己数据集上检测
weixin_45798949的博客
08-15 1596
1.准备代码并搭建环境 复现环境ubuntu18.04+pytorch1.6.0+python3.7+cuda10.1 代码链接 下载源代码到指定文件夹下，终端进入yolov5-master文件夹下： pip install -r requirements.txt#加载必要的包 2.制作数据集 1.更改data/voc.yaml文件 # PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC/ # Train command: python tr
详解yolo3-darknet使用voc数据在ubuntu下配置检测目标以及自定义目标检测
此生不换的博客
07-09 889
假若是一个新机器，要做配置1.显卡驱动，2.安装cuda，3.配置cudnn，4.git下载darknet，5.配置参数，6.训练网络，7.测试网络几个步骤 之前使用的是gtx1050ti的笔记本进行的实验，但是跑了差不多五天了，还没有收敛，目前avg loss在0.3左右。然后收敛速度太慢了，就是用rtx2080ti进行配置，也是一步一步就行配置过来的。 1.显卡驱动 在ubuntu...
ubuntu18.04下用yolo训练自己的数据集
whujk的博客
06-24 1927
ubuntu18.04下用yolo训练自己的数据集并进行检测 收集数据集并标注 数据集的量对于检测的准确度有很高的影响，所以应该尽可能的获取较多的数据集。这里，我从百度图片上获得了92张夏洛特中的动漫人物——友利奈绪的图片。 之后在windows下用labelImg软件进行标注： 本文的工作分为两端进行，在windows下完成数据集的搜集，再将其标注好后传输进ubuntu(本想在nano中跑训练，结果失败了，后续表明原因)内。 在dasknet-master文件夹下，将数据集按照如下图文件夹格式放置：
在Ubuntu内制作自己的VOC数据集
weixin_34326558的博客
03-16 301
一、VOC数据集的简介 PASCAL VOC为图像的识别和分类提供了一整套标准化的优秀数据集，基本上就是目标检测数据集的模板。现在有VOC2007，VOC2012。主要有20个类。而现在主要的模型评估就是建立在VOC数据集和COCO数据集上（80个类），其指标主要是mAP和fps（帧率）。 VOC数据集有五个文件夹 ├── Annotations # 存放xml文...
Ubuntu16使用自己的数据集训练YOLOV3-tiny教程、技巧及相关资料
cxxxxxxxxxxxxx的博客
05-20 1127
运行环境： Ubuntu16.04 GetForce MX250 4G CUDA 9.0 CuDNN 7.0.5 安装darknet及下载yolov3与训练权重 yolo官网 代码下载 git clone https://github.com/pjreddie/darknet cd darknet 修改Makefile GPU=1 #可选0/1 CUDNN=1 #可选0/1 OPENCV=1 #可选0/1 OPENMP=0 DEBUG=0 编译 make 下载权重 # yolov3.w
YOLOv8改进 | 检测头篇 | YOLOv8引入DynamicHead检测头
最新发布
tsg6698的博客
09-08 655
以往的工作试图提高各种目标检测头的性能，但未能呈现出统一的观点。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv8改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~尺度感知注意力模块：该模块仅部署在特征维度的水平方向上，学习不同语义层的重要性，以增强适合单个对象的特定尺度的特征。任务感知：不同的对象表示形式（例如边界框、中心点和关键点）有不同的目标和约束，检测头需要能够处理这些不同的任务。
yolov5-mark
04-02
Yolov5-mark is a tool used for annotating images with object detection labels. It is part of the YOLOv5 deep learning framework and is used to create datasets for training object detection models. With yolov5-mark, users can draw bounding boxes around objects in images, label them, and export the annotations in various formats such as YOLO, COCO and Pascal VOC. The tool also supports auto annotation, which uses pre-trained models to speed up the annotation process. Yolov5-mark is a user-friendly tool that simplifies the process of creating annotated datasets for training object detection models.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值