Yolov5入门介绍（官网文档学习笔记）

一、yolov5是什么

yolov5是yolo的第五次迭代，旨在提供高速、高精度的目标检测模型

官方文档：Comprehensive Guide to Ultralytics YOLOv5 - Ultralytics YOLO Docs

二、yolov5的优点

1、高速、高精度  （例如R-CNN 目标检测有两部：先生成候选框再分类）

2、基于pytorch搭建，使用于各种计算机

3、导出格式兼容 （导出的模型可兼容TFLite、ONNX、CoreML 和 TensorRT ）

三、yolov5的特点

1、real-time inference 实时推理，输入需要检测的图片可以立刻出结果

2、est-Time Augmentation (TTA) 在测试时增强，在检测的时候会对图片做数据增强操作，比如缩放、平移等，可以减少过拟合

3、Model Ensembling 模型的集成比较方便，训练的时候可以用多种yolo模型的参数

四、yolov5的数据准备

图像目录 /datasets/images/

标签目录 /datasets/lables/

对应的图像和标签命名要一样，就后缀不同 e.g. 图像1999_0_1.jpg. 标签1999_0_1.txt

标签含有五个内容 (class x y w h) 

五、影响训练效果的因素

5.1数据集方向

1、每类图像>1500张

2、一类图像的实例>10000

3、图像种类多样 可以是同一实例不同时间、季节、天气的照片

4、标签一致性，图像的每个实例都要被标注出

5、标签准确度，标签矩形框要刚好框住对象，不要多也不要少

6、适当的背景图像（图像里无实例）

5.2模型的选择

yolov5提供了 yolov5n yolov5s yolov5m yolov5l yolov5x，区别就是模型越大，效果越好，但运行时间就越长

这几个模型的架构一样，在储存其架构的yaml文档中，只有depth_multiple和width_multiple不一样

5.3训练参数设置

1、epoch 训练的轮数，一般是300，如果过早出现过拟合可以减少epoch，反之就增加

2、imagesize 一般是640 检测小目标的时候分辨率可以大一点

3、batch size 每批要处理的图像，硬件越顶，batchsize越大

4、hyperparameters 超参数的大小