目标检测---YOLOV5从部署到使用

目录

环境准备

下载YOLOV5库

基本操作

使用ultralytics模型检测图片

调用实时摄像头检测

模型训练

调用网络摄像头拍摄数据集

下载标注软件

标注数据集

训练模型

部署使用自己的模型

---

环境准备

系统环境:Ubuntu 20.4,pycharm,anconda

下载YOLOV5库

git clone https://github.com/ultralytics/yolov5

安装好后会在当前路径生成一个yolov5的文件夹,点击requerments.txt查看自己环境是否满足

可以通过pip指令快速安装

cd yolov5
pip install -r requestments.txt

基本操作

使用ultralytics模型检测图片

ultralytics是一个托管在pytoch的resource仓库的一个模型，有很多的模型选择，有大模型,小模型,中等模型等，不同的模型有不同的表现

import torch
import cv2
'''
#导入YOLOv5模型，第一个参数如果是 'github',应该被操作为 github repo with format ``repo_owner/repo_name[:ref]`` with an optional ref (tag or branch), for example 'pytorch/vision:0.10'. If ``ref`` is not specified,the default branch is assumed to be ``main`` if it exists, and otherwise ``master``.如果是本地资源 it should be a path to a local directory.
'''
#使用小模型保持轻量和快速
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')

# 加载图像
img = 'https://ultralytics.com/images/zidane.jpg'

# 进行目标检测
result = model(img)

# 获取渲染后的图像
rendered_img = result.render()[0]

# 将图像从BGR转换为RGB
rendered_img_rgb = cv2.cvtColor(rendered_img, cv2.COLOR_BGR2RGB)

# 使用OpenCV显示图像
cv2.imshow('YOLOv5 Detection Result', rendered_img_rgb)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意：如果不进行图像转化可能会导致图片的颜色失真

调用实时摄像头检测

import torch
import cv2
import numpy as np
# 导入YOLOv5模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')

# 加载图像
img = 'https://ultralytics.com/images/zidane.jpg'

# 进行目标检测
result = model(img)

cap=cv2.VideoCapture(0)#使用网络摄像头捕获图片
while cap.isOpened():
    ret, frame = cap.read()
    result = model(frame)
    #result.render()只返回图像数组
    cv2.imshow('YOLO',np.squeeze(result.render()))
    if cv2.waitKey(10) & 0xFF == ord('q'):#如果检测到键盘按下q退出
        break
cap.release()
cv2.destroyAllWindows()

模型训练

调用网络摄像头拍摄数据集

import uuid  #给每个图片一个独特的ID
import os
import time

import cv2

IMAGES_PATH=os.paimport uuid
import os
import time

import cv2

IMAGES_PATH=os.path.join('data','images')#保存的地址为data/images
labels=['awake','drowsy']   #标签名
nums_imges=20    #拍摄一组标签要多少张

cap=cv2.VideoCapture(0)
for label in labels:
    #print(label)
    print('Collecting images for label: {}'.format(label))
    time.sleep(5)
    for img_num in range(nums_imges):
        print('Collecting images for image: {},image num {}'.format(label,img_num))
        ret, frame = cap.read()
        imgname=os.path.join(IMAGES_PATH,label+'.'+str(uuid.uuid1())+'.jpg')
        cv2.imwrite(imgname,frame)
        cv2.imshow('Image Collection',frame)
        time.sleep(2)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
cap.release()
cv2.destroyAllWindows()

拍摄好后在data/image会存放我们拍摄的数据集

下载标注软件

这里使用的是labelImg（比起labling他可以选择标签脚本的输出格式）

在这里查看自己的安装方式

https://github.com/HumanSignal/labelImg?tab=readme-ov-file

标注数据集

几个注意的点:1.选择保存的目标地址为labels(可以自己改名),2.左边第八个存储格式设置为YOLO！！！,然后就可以开始标注了

训练模型

打开GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

找到Tranning,选择Train Custom Data在本地训练

找到

复制文本,在yolov5文件夹下新建yaml文件，讲内容修改为自己的模型

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../data  # dataset root dir
train: images  # train images (relative to 'path') 128 images
val: images  # val images (relative to 'path') 128 images

nc: 2
# Classes (80 COCO classes)
names:
  0: 'aawake'
  1: 'drowsy'

在终端输入开始训练

python train.py --img 320 --batch 16 --epochs 500 --data dataset.yaml --weights yolov5s.pt

部署使用自己的模型

import os

import torch
import cv2
import numpy as np
# 导入YOLOv5模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='./yolov5/runs/train/exp4/weights/last.pt',force_reload=True)

# 加载图像
img = os.path.join('data','images','awake.8b8cd04e-049c-11ef-8905-c73773fbc0ea.jpg')

# 进行目标检测
'''
result = model(img)
result.print()

# 获取渲染后的图像
rendered_img = result.render()[0]

# 将图像从BGR转换为RGB
rendered_img_rgb = cv2.cvtColor(rendered_img, cv2.COLOR_BGR2RGB)

# 使用OpenCV显示图像
cv2.imshow('YOLOv5 Detection Result', rendered_img_rgb)
cv2.waitKey(0)
cv2.destroyAllWindows()

'''
cap=cv2.VideoCapture(0)
while cap.isOpened():
    ret, frame = cap.read()
    result = model(frame)
    #result.render()只返回图像数组
    cv2.imshow('YOLO',np.squeeze(result.render()))
    if cv2.waitKey(10) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()