YOLOv5白皮书-第Y1周：调用官方权重进行检测

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊 | 接辅导、项目定制
• 🚀 文章来源：K同学的学习圈子

环境配置：

Python-3.11.4 torch-2.0.1+cpu CPU

YOLOV5：

YOLOv5是一种基于深度学习的目标检测模型，由GluonCV团队开发。它是YOLO（You Only Look Once）系列模型的最新版本，采用了一种名为"Bag of Freebies"的方法，包括强大的数据增强、模型改进和训练技巧，以提高目标检测的性能。

YOLOv5模型简洁而灵活，能够在不同的硬件平台上高效运行，包括CPU、GPU和嵌入式设备。该模型还具有良好的可扩展性，可以在不同大小和分辨率的目标上取得很好的性能。

YOLOv5模型具有以下特点：

高性能：相对于以往的YOLO模型，YOLOv5在目标检测性能上取得了显著的提升。
灵活性：YOLOv5可以应用于多种目标检测场景，包括交通标志、人脸识别、物体检测等。
易用性：YOLOv5提供了简单易用的API接口和预训练模型，使得用户可以快速部署和定制自己的目标检测模型。

YOLOv5的核心组成部分包括以下几个方面：

Backbone网络：YOLOv5使用了一种称为CSPDarknet53的新型骨干网络作为其基础网络。CSPDarknet53采用了一种称为“cross stage partial connections”的结构，以提高模型的性能和效率。

Neck网络：YOLOv5还包括了一种名为“PANet”的特征融合模块，用于融合不同层级的特征图，以提高目标检测的准确性。

Head网络：YOLOv5使用了一种新的检测头结构，采用了类似于YoloV3的预测策略，但也引入了一些改进，以提高检测准确性和速度。

数据增强：YOLOv5引入了一系列强大的数据增强方法，包括随机缩放、横向翻转、色彩扭曲等，以增加训练数据的多样性，提高模型的泛化能力。

训练技巧：YOLOv5还采用了一些新的训练技巧，包括自适应图像大小、模型蒸馏、增量训练等，以提高模型的训练效率和准确性。

这些组成部分共同构成了YOLOv5的核心，使得该模型具有较高的检测性能和灵活性。

一、下载源码

https://github.com/ultralytics/yolov5
yolov5s.pt 提取码：bum6
借用一张k同学的图片

下载完成后解压并进入文件夹

打开下载好的压缩包，在文件地址栏输入cmd，回车，打开cmd后输入

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

设置默认从清华镜像下载。

pip install -r requirements.txt 

二、实践运行

以相同的方法打开cmd并输入：

conda activate pytorch_env

激活环境
将需进行检测的图片放在picture文件夹下

在cmd中输入：

python detect.py --source picture\rain16.jpg --weight yolov5s.pt --img 640

python：运行Python解释器。
detect.py：指定要运行的脚本文件。
–source picture\rain16.jpg ：指定待检测的图片路径，这里是picture文件夹下的rain16.jpg。
–weight yolov5s.pt：指定使用的权重文件。
–img 640：指定输入图像的大小为640x640像素。可调整。

运行
结果如下：

同理：可以使用视频进行检测

python detect.py --source MyVideo_2.mp4

结束。