YOLOv5实现之环境搭建和测试自己的图片

0. 准备工作

下载YOLOv5 github项目:https://github.com/ultralytics/yolov5,下载速度可能会比较慢,可以尝试用迅雷、gitee等方法。下载完成后进行解压。

下载模型文件:yolov5项目中提供了模型下载的脚本:download_weights.sh(yolov5/weights目录下),该脚本从谷歌网盘https://drive.google.com/drive/folders/1Drs_Aiu7xx6S-ix95f9kNsA6ueKRpN2J中下载,但是由于某些不可描述的原因,你是无法下载的。可以到本人CSDN资源中寻找,yolov5m.pt、yolov5l.pt、yolov5x.pt、yolov5s.pt、yolov3-spp.pt分别是不同模型,m表示小模型,m中等,l大模型等等。

1. 环境搭建

1.1 搭建Python环境

使用conda创建单独的环境,在系统命令行中运行如下命令:

conda create -n yolov5 python==3.8

等待一段时间后基础Python环境搭建完成,此时可以进入该环境继续安装依赖库:

conda activate yolov5

1.2 安装依赖库

根据YOLOv5 github中的介绍,requirements.txt文件中为所需要安装的依赖库,由于该库最近更新比较频繁,读者自己安装时最好查看一下requirements.txt中的版本要求,该文件内容如下:

# pip install -r requirements.txt
Cython
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
pillow
# pycocotools>=2.0
PyYAML>=5.3
scipy>=1.4.1
tensorboard>=2.2
torch>=1.6.0
torchvision>=0.7.0
tqdm>=4.41.0

# Conda commands (in place of pip) ---------------------------------------------
# conda update -yn base -c defaults conda
# conda install -yc anaconda numpy opencv matplotlib tqdm pillow ipython
# conda install -yc conda-forge scikit-image pycocotools tensorboard
# conda install -yc spyder-ide spyder-line-profiler
# conda install -yc pytorch pytorch torchvision
# conda install -yc conda-forge protobuf numpy && pip install onnx==1.6.0  # https://github.com/onnx/onnx#linux-and-macos

使用如下命令:

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

安装过程如果报错,请移步:https://blog.csdn.net/Jwenxue/article/details/107899734

1.3 环境测试

首先将下载的权重文件复制到yolov5目录中。(注意:也可以在下面命令后面使用--weights选项指定权重文件)

进入下载解压的yolov5目录,在命令行运行如下命令:

python detect.py

输出:

image 1/2 D:\yolov5\inference\images\bus.jpg: 640x512 4 persons, 1 buss, Done. (0.094s)
image 2/2 D:\yolov5\inference\images\zidane.jpg: 384x640 2 persons, 2 ties, Done. (0.021s)
Results saved to inference\output
Done. (3.172s)

解释:上述命令的作用是:读取yolov5\inference\images中的图像,经过YOLOv5模型的检测,结果输出到yolov5\inference\output文件夹中。此时output文件夹中有两张结果图,如下所示:

可以看到,这就是YOLOv5的目标检测结果,效果还不错。

如果上述命令运行过程中出现报错,可以就不会在output生成类似的图像结果。此时就需要读者解决报错的问题,可以将报错问题发到评论中共同协商解决。

3. 测试自己的图片

可以将需要进行目标检测的图片放到yolov5\inference\images,例如随便从百度图片中找了两张图像进行目标检测:

检测结果:

可以看到,对于随便找的两张图片,检测效果也还不错。

4. 使用YOLOv5训练自己的数据集

YOLOv5环境搭建完成后,就可以训练和检测自己的数据集了,请移步:

 

 

©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页