行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)

置顶 已于 2024-10-06 20:20:31 修改
阅读量5.1w 收藏 503
点赞数 71
分类专栏： 深度学习 文章标签： 行人检测 人体检测 人体数据集 行人数据集 YOLOv5
于 2023-02-13 19:33:51 首次发布
本文为博主原创文章，未经博主允许不得转载（AI吃大瓜）
本文链接：https://blog.csdn.net/guyuealian/article/details/128954588
版权

行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)

目录

行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)

1. 前言

2. 人体检测数据集说明

（1）人体检测数据集

（2）自定义数据集

3. 基于YOLOv5的人体检测模型训练

（1）YOLOv5安装 

（2）准备Train和Test数据

（3）配置数据文件

（4）配置模型文件

（5）重新聚类Anchor（可选）

（6）开始训练

（7）可视化训练过程

（8）常见的错误

4. Python版本人体检测效果

5. Android版本人体检测效果

6.项目源码下载

1. 前言

 这是项目《行人检测(人体检测)》系列之《YOLOv5实现人体检测(含人体检测数据集和训练代码)》；项目基于开源YOLOv5项目，实现一个高精度的人体检测（行人检测）算法（ Person Detection， Pedestrian Detection）；

目前，基于YOLOv5s的人体检测精度平均值mAP_0.5=0.98432，mAP_0.5:0.95=0.84354。为了能部署在手机Android平台上，本人对YOLOv5s进行了简单的模型轻量化，并开发了一个轻量级的版本yolov5s05_416和yolov5s05_320模型；轻量化模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。下表格给出轻量化模型的计算量和参数量以及其检测精度

模型input-sizeparams(M)GFLOPsmAP_0.5mAP_0.5:0.95
yolov5s640×6407.216.50.984320.84284
yolov5s05416×4161.71.80.970040.76103
yolov5s05320×3201.71.10.964480.73216

先展示一下人体检测效果：

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/128954588

更多项目《行人检测(人体检测)》系列文章请参考：

  1. 行人检测(人体检测)1：人体检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/128821763
  2. 行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/128954588
  3. 行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954615
  4. 行人检测(人体检测)4：C++实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954638

​ 如果需要进行人像分割，实现一键抠图效果，请参考文章：《一键抠图Portrait Matting人像抠图 (C++和Android源码)》

2. 人体检测数据集说明

（1）人体检测数据集

目前收集了约10W+的人体检测数据集，数据集主要来源于VOC，COCO和MPII的人体数据集，关于人体数据集说明，请参考《行人检测(人体检测)1：人体检测数据集(含下载链接)》：https://blog.csdn.net/guyuealian/article/details/128821763

（2）自定义数据集

如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：

  1. 采集图片，建议不少于200张图片
  2. 使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).
  3. 将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub
  4. 生成训练集train.txt和验证集val.txt文件列表
  5. 修改engine/configs/voc_local.yaml的train和val的数据路径
  6. 重新开始训练

​​​

3. 基于YOLOv5的人体检测模型训练

（1）YOLOv5安装 

训练Pipeline采用YOLOv5: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite , 原始官方代码训练需要转换为YOLO的格式，不支持VOC的数据格式。为了适配VOC数据，本人新增了LoadVOCImagesAndLabels用于解析VOC数据集，以便正常训练。另外，为了方便测试，还增加demo.py文件，可支持对图片,视频和摄像头的测试。

推荐使用Python3.8或Python3.7，更高版本可能存在版本差异问题，Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应


matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
thop  # FLOPs computation
pybaseutils==0.7.0

 项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

（2）准备Train和Test数据

下载人体检测数据集，  关于人体数据集说明，请参考《行人检测(人体检测)1：人体检测数据集(含下载链接)》：https://blog.csdn.net/guyuealian/article/details/128821763

（3）配置数据文件

  • 修改训练和测试数据的路径：engine/configs/voc_local.yaml
  • 注意数据路径分隔符使用【/】,不是【\】
  • 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！
# 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, ..]
# 数据路径
path: ""  # dataset root dir

# 数据路径不要含有中文字符，否则有很多异常,分隔符使用【/】

train:
  - 'D:/dataset/VOC/VOC2007/trainval.txt'
  - 'D:/dataset/VOC/VOC2012/trainval.txt'
  - 'D:/dataset/MPII/trainval.txt'
  - 'D:/dataset/COCO/trainval.txt'

val:
  - 'D:/dataset/MPII/test.txt'

test:  # test images (optional)
data_type: voc

# 1.设置类别个数，和要训练的类别名称，ID号从0开始递增
nc: 1  # number of classes
names: { 'person': 0 } # 仅训练person检测


# 2.如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别
#nc: 1  # number of classes
#names: { "unique": 0 }

（4）配置模型文件

官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍。下面是yolov5s05和yolov5s的参数量和计算量对比：

模型input-sizeparams(M)GFLOPs
yolov5s640×6407.216.5
yolov5s05416×4161.71.8
yolov5s05320×3201.71.1

（5）重新聚类Anchor（可选）

官方yolov5s的Anchor是基于COCO数据集进行聚类获得（详见models/yolov5s.yaml文件）

 ​​​ 

考虑到人体检测数据集，目标框几乎都是竖状的矩形框；原始Anchor是在输入640×640聚类获得的，直接复用原始COCO的Anchor效果可能不太好；因此，这需要我们根据已有的数据集的标注框进行重新聚类获得新的Anchor；这里为了简单，yolov5s直接复用原始Anchor，而yolov5s05_416和yolov5s05_320由于输入分辨率变小，其Anchor也进行等比例缩小，下表给出yolov5s，yolov5s05_416和yolov5s05_320重新调整后Anchor结果：

yolov5s.yamlyolov5s05_416.yamlyolov5s05_320.yaml
​​​​​​

一点建议：

  • 官方yolov5s的Anchor是基于COCO数据集进行聚类获得，不同数据集需要做适当的调整，其最优Anchor建议重新进行聚类 。
  • 当然你要是觉得麻烦就跳过，不需要重新聚类Anchor，这个影响不是特别大。如果你需要重新聚类，请参考engine/kmeans_anchor/demo.py文件

（6）开始训练

整套训练代码非常简单操作，用户只需要填写好对应的数据路径，即可开始训练了。

  • 修改训练超参文件： data/hyps/hyp.scratch-v1.yaml （可以修改训练学习率，数据增强等方式，使用默认即可，可不修改）
  • Linux系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可)
#!/usr/bin/env bash

#--------------训练yolov5s--------------
# 输出项目名称路径
project="runs/yolov5s_640"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 640 --workers 4 --project $project


#--------------训练轻量化版本yolov5s05_416--------------
# 输出项目名称路径
project="runs/yolov5s05_416"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s05_416.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 416 --workers 4 --project $project


#--------------训练轻量化版本yolov5s05_320--------------
# 输出项目名称路径
project="runs/yolov5s05_320"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="models/yolov5s05_320.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 320 --workers 4 --project $project
  • Windows系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可) 
#!/usr/bin/env bash

#--------------训练yolov5s--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 640 --workers 4 --project runs/yolov5s_640


#--------------训练轻量化版本yolov5s05_416--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_416.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 416 --workers 4 --project runs/yolov5s05_416



#--------------训练轻量化版本yolov5s05_320--------------
python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_320.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 320 --workers 4 --project runs/yolov5s05_320

  • 开始训练：

​​​

  • 训练数据量比较大，训练时间比较长，请耐心等待哈
  • 训练完成后，在模型输出目录中有个results.csv文件，记录每个epoch测试的结果，如loss,mAP等信息

训练模型收敛后，yolov5s人体检测的mAP指标大约mAP_0.5=0.98432；而，yolov5s05_416 mAP_0.5=0.97004左右；yolov5s05_320 mAP_0.5=0.96448左右；

轻量化后的模型yolov5s05比yolov5s计算量减少了16倍，参数量减少了7倍；相比而言，yolov5s05比yolov5s mAP减小了2%，对于性能比较弱鸡的手机而言，这个精度是还是可以接受的。

模型input-sizeparams(M)GFLOPsmAP_0.5mAP_0.5:0.95
yolov5s640×6407.216.50.984320.84284
yolov5s05416×4161.71.80.970040.76103
yolov5s05320×3201.71.10.964480.73216

（7）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法，在终端输入：

# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=./data/model/yolov5s_640
​​​
​​​
​​​
​​​

 当然，在输出目录，也保存很多性能指标的图片

  • 这是训练epoch的可视化图，可以看到mAP随着Epoch训练，逐渐提高（见result.png）

  • 这是每个类别的F1-Score分数（见F1_curve.png）

​​​

  • 这是模型的PR曲线（见PR_curve.png）

​​​

  • 这是混淆矩阵（见confusion_matrix.png）：

​​​

（8）常见的错误

4. Python版本人体检测效果

demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

  • 测试图片
# 测试图片（Linux系统）
image_dir='data/test_image' # 测试图片的目录
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dir

Windows系统，请将$image_dir， $weights ，$out_dir等变量代替为对应的变量值即可，如

# 测试图片（Windows系统）
python demo.py --image_dir data/test_image --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result
  • 测试视频文件
# 测试视频文件（Linux系统）
video_file="data/test-video.mp4" # path/to/video.mp4 测试视频文件，如*.mp4,*.avi等
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir
# 测试视频文件（Windows系统）
python demo.py --video_file data/test-video.mp4 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result

  •  测试摄像头
# 测试摄像头（Linux系统）
video_file=0 # 测试摄像头ID
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

# 测试摄像头（Windows系统）
python demo.py --video_file 0 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result

先展示一下人体检测效果：

​​​​
​​​​

 如果想进一步提高模型的性能，可以尝试：

  1. ​增加训练的样本数据： 目前有30W+的数据量，建议根据自己的业务场景，采集相关数据，提高模型泛化能力
  2. 使用参数量更大的模型： 本教程使用的YOLOv5s，其参数量才7.2M，而YOLOv5x的参数量有86.7M，理论上其精度更高，但推理速度也较慢。
  3. 尝试不同数据增强的组合进行训练

5. Android版本人体检测效果

已经完成Android版本人体检测算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。详细说明请查看：行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954615

人体检测Android Demo体验：https://download.csdn.net/download/guyuealian/87441942

   

6.项目源码下载

整套项目源码内容包含：人体检测数据集 + YOLOv5训练代码和测试代码

如需下载项目源码，请WX关注【AI吃大瓜】，回复【人体检测】即可下载

项目源码包含内容：

（1）人体检测数据集：

  1. VOC人体检测数据集：VOC2007共9963张图片，VOC2012共17125张图片，已经标注了人脸框（face）和人体框（person）
  2. COCO人体检测数据集：总共66697张含有人体的图片，已经标注了人脸框（face）和人体框（person）
  3. MPII人体检测数据集：总共21430张含有人体的图片，已经标注了人脸框（face）和人体框（person）
  4. 详细说明，请查看《行人检测(人体检测)1：人体检测数据集(含下载链接)》:https://blog.csdn.net/guyuealian/article/details/128821763

（2）YOLOv5训练代码和测试代码（Pytorch）

  1. 整套YOLOv5项目工程，含训练代码train.py和测试代码demo.py
  2. 支持高精度版本yolov5s训练和测试
  3. 支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试
  4. 根据本篇博文说明，简单配置即可开始训练：train.py
  5. 源码包含了训练好的yolov5s,yolov5s05_416和yolov5s05_320模型，配置好环境，可直接运行demo.py
  6. 测试代码demo.py支持图片，视频和摄像头测试

 Android人体检测APP Demo体验：https://download.csdn.net/download/guyuealian/87441942

基于YOLOv5的人体行为检测
m0_73814977的博客
11-09 1865
YOLOv5是一种实时目标检测算法，具有速度快、精度高、易于部署等优点。相较于之前的版本，YOLOv5在结构上进行了一些优化，如引入SPP模块、PANet路径聚合等，进一步提高了检测性能。这使得YOLOv5成为人体行为检测的理想选择Backbone网络：使用了一种轻量级的骨干网络作为特征提取器，以获得图像中的特征表示。常用的选择是CSPDarknet作为骨干网络，采用了Cross-Stage Partial连接（CSP）结构来提高网络的效率和准确性。Neck网络：引入了一个称为PANet。
行人检测数据集（已标注）
06-25
行人检测数据集，包括已经标注好的xml文件和txt文件，数据集包含训练集测试集和验证集，下载解压后即可使用。
C#使用YOLOv5进行人体检测
04-29
C#使用YOLOv5进行人体检测
Python-基于YOLOv3的行人检测
08-11
基于YOLOv3的行人检测
YOLOv5行人/车辆训练检测
qq1309399183的博客
03-07 1046
### YOLOv5行人/车辆训练与检测 YOLOv5 是一种高效的目标检测算法，因其快速且准确的特点而广泛应用于各种目标检测任务中。以下是如何使用 YOLOv5 进行行人和车辆的训练和检测的基本流程。 #### 准备工作 1. **环境配置**： - 安装 Python 3.8 或更高版本。 - 使用 `conda` 创建一个新的虚拟环境，并激活它： ```bash conda create -n yolov5_env python=3.8 conda ac
YOLOv5行人检测+训练好的行人检测模型+数据集
07-10
1、YOLOV5行人检测，内含各种训练曲线图，在几千张街道和交通场景的行人数据集中训练得到的权重，并附有数据集，使用lableimg软件标注软件标注好的行人数据，图片格式为jpg，标签有两种，分别为xml格式和txt格式，分别保存在两个文件夹中，类别名为person; 可以直接用于YOLO系列的行人检测，map达90%多 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，代码是python的
行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码).txt
03-02
更多项目《行人检测(人体检测)》系列文章请参考： 行人检测(人体检测)1：人体检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/128821763 行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/128954588 行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954615 行人检测(人体检测)4：C++实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954638
YOLOv5车辆行人检测+练好的车辆行人检测模型+pyqt界面+5000车辆行人检测数据集
05-25
1、yolov5车辆行人检测，包含yolov5s和yolov5m两种训练好的车辆行人检测权重，以及PR曲线，loss曲线等等，map达90% 多，在一万多张交通场景行人车辆数据集中训练得到的权重，有pyqt界面，目标类别为person和car 共2个类别，并附5000多张行人车辆检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、pyqt界面可以 检测图片、视频和调用摄像头，有相应的选择项 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、采用pytrch框架，python代码
YOLOv5行人检测
热门推荐
weixin_38226321的博客
09-28 2万+
YOLOv5行人检测1.数据准备1.下载数据集2.整理出jpg和xml2.进行YOLOV5的部署训练1.划分数据集2.生成yolo的txt文件3.配置自己数据集的文件4.聚类找anchors5.配置模型文件6.训练模型 1.数据准备 1.下载数据集 （工程1WiderPerson）首先下载行人数据集：这里我使用了WiderPerson数据集，下载数据集。 2.整理出jpg和xml 把数据集整理出图片和xml文件：把下面的py文件运行3遍，第一遍运行train.txt文件，第二遍运行val.txt文件，并且注
基于YOLOv5的行人检测系统
01-09 3454
目标检测在计算机视觉领域中的重要性，特别是在人群流量监测方面的应用。其中，YOLO（You Only Look Once）系列算法在目标检测领域取得了显著的进展，从YOLO到YOLOv5的发展历程表明其在算法性能上的不断优化。文中提到了基于YOLOv5设计的人口密度检测系统，该系统通过深度学习算法对人群进行检测和计数，主要应用于商场、路口等需要控制人流的场所。系统通过YOLOv5算法实现人群检测和计数，具体使用Python实现了该算法，并通过PyQt创建了用户界面，实现了对行人数目和人群密度的监测。
Yolov5行人检测
ZJC'博客
10-28 2225
YOLOv5行人检测训练权重 +3000行人数据集 yolov5-6.0-person_detect.zip
05-21
1、YOLOv5行人检测训练权重 ，附有各种训练曲线图 2、场景：街道，公路行人检测，一万多数据训练得到，准确率达90%以上， 3、classes: person 4、并包含3000张多行人数据，标签格式为VOC和YOLO两种 5、检测结果和数据集参考：https://blog.csdn.net/weixin_51154380/article/details/124480876
YOLO行人目标检测数据集 dataset_person.zip
03-23
1、行人检测数据集， 2、classes : person, 3、标签格式为xml和txt两种格式，数量近3900多张 4、可以直接用于YOLOv5行人目标检测
YOLOv3检测行人结果（caltech reasonble）
09-11
里面包含用YOLOv3在usa数据集上的检测结果，对应的csdn为https://blog.csdn.net/qq_33614902/article/details/82622561
yolov5行人识别 qt 鼠标检测 绘制区域 检测超界.zip
05-20
yolov5行人识别 qt 鼠标检测 绘制区域 检测超界系统 视频:https://live.csdn.net/v/164262
跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码).txt
04-20
跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130250738 跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)：...
人脸检测和行人检测2：YOLOv5实现人脸检测和行人检测(含数据集和训练代码)(复件).txt
04-28
人脸检测和行人检测2：YOLOv5实现人脸检测和行人检测(含数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130179987 人脸检测和行人检测3：Android实现人脸检测和行人检测(含源码，可实时检测)...
行人检测(人体检测)1：人体检测数据集(含下载链接).txt
03-02
行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/128954588 行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)：...
人脸检测和行人检测1：人脸检测和行人检测数据集(含下载链接).txt
04-28
人脸检测和行人检测2：YOLOv5实现人脸检测和行人检测(含数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/130179987 人脸检测和行人检测3：Android实现人脸检测和行人检测(含源码，可实时检测)...
yolov5识别人
最新发布
04-03
<think>好的，我现在需要帮助用户使用YOLOv5实现人体识别。首先，用户提到了YOLOv5的教程，所以我应该先提供基本的步骤和资源。记得按照系统级指令，所有数学公式用$...$，独立公式用$$...$$，同时用中文回答，生成相关问题，并正确引用提供的参考资料。 首先，我需要确认用户的需求。用户想使用YOLOv5进行人体检测，可能需要从环境配置到模型部署的整个流程。根据引用[1]，YoloFace-50k是一个相关的人脸检测模型，但用户需要的是人体检测，可能需要调整模型或使用预训练的人体检测权重。不过YOLOv5本身有预训练的COCO模型，其中包含人体类别，所以应该建议用户使用官方模型。 接下来，按照步骤，环境配置是第一步。需要安装PyTorch和YOLOv5的依赖库。然后，下载预训练模型，比如yolov5s.pt，这个模型在COCO数据集上训练过，可以检测包括人在内的多个类别。代码示例方面，用户可能需要加载模型、处理图像、进行推理和结果解析。这里需要确保代码正确，可能需要参考YOLOv5的官方文档。 然后，数据准备部分，用户可能需要标注自己的数据集，如果COCO的数据不够的话。这里需要提到数据集格式，比如YOLO格式的txt文件，以及如何转换其他格式的数据集。数据增强部分，YOLOv5内置了一些方法，可以简要提及。 训练模型时，命令行参数是关键，需要解释如何修改yaml文件，配置数据集路径和模型参数。可能还需要调整超参数，比如学习率、批次大小等。评估部分，用户需要验证模型在测试集上的表现，计算mAP等指标。 部署部分，用户可能想将模型应用到实际场景，比如视频流处理。这里可以结合引用[2]中的OpenVINO部署方法，提到使用C# API或OpenCV进行部署，但用户使用Python的话，可以建议使用ONNX转换或TorchScript优化推理速度。此外，引用[3]中的动作捕捉可能涉及关键点检测，但用户当前的需求是人体检测，所以暂时不需要深入。 在注意事项里，需要强调硬件要求，GPU加速的重要性，以及模型大小和速度的权衡。比如yolov5s适合边缘设备，而yolov5x可能更准确但更慢。 相关问题部分，需要生成与YOLOv5人体检测相关的问题，比如性能优化、模型对比、部署方法、与其他技术结合等。同时要确保引用正确，比如引用[2]提到行人摔倒检测，可以关联到应用场景的问题。 最后，检查是否符合所有格式要求，数学公式是否正确使用，引用是否在适当的位置添加。例如，在提到模型优化时，引用[1]和[2]可能相关。确保没有使用Markdown格式，代码块正确，没有语法错误。</think>### YOLOv5人体检测实现教程 #### 一、环境配置 1. 安装依赖库： ```bash pip install torch torchvision git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt ``` 2. 下载预训练模型（COCO数据集训练）： ```python import torch model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # 可替换为yolov5m/yolov5l/yolov5x ``` #### 二、代码实现 ```python import cv2 # 加载模型 model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True) # 图像处理 img = cv2.imread("test.jpg") results = model(img) # 推理计算 # 结果解析 detections = results.pandas().xyxy[0] human_df = detections[detections['name'] == 'person'] # 筛选人体检测结果 # 可视化标注 results.render() cv2.imshow("Detection", results.imgs[0]) cv2.waitKey(0) ``` #### 三、数据准备 1. 数据集格式要求： ``` ├── images │ ├── train │ └── val └── labels ├── train └── val ``` 每个标签文件格式为：$class\_id\ x\_center\ y\_center\ width\ height$，坐标需归一化到$[0,1]$区间[^1] 2. 数据增强策略： - 随机裁剪（Random Crop） - 色彩抖动（Color Jitter） - 马赛克增强（Mosaic Augmentation） $$ \text{最终精度} = \frac{TP}{TP + FP + FN} $$ #### 四、模型训练 ```bash python train.py --img 640 --batch 16 --epochs 100 --data custom.yaml --weights yolov5s.pt ``` 建议训练参数： - 初始学习率：$1e^{-3}$ - 动量参数：0.9 - 权重衰减：$5e^{-4}$ #### 五、性能评估 使用COCO评估指标： $$ AP = \int_{0}^{1} p(r) dr $$ 在COCO val2017数据集上，yolov5s的AP@0.5:0.95达到37.4 #### 六、部署优化 1. OpenVINO加速（参考[^2]）： ```python from openvino.runtime import Core ie = Core() onnx_model = model.export(format="onnx") # 转换为ONNX格式 compiled_model = ie.compile_model(onnx_model, "CPU") ``` 2. TensorRT加速： ```bash python export.py --weights yolov5s.pt --include engine --device 0 ``` #### 注意事项 1. 硬件建议：至少4GB显存的NVIDIA GPU 2. 模型选择建议： | 模型类型 | 参数量 | 推理速度 | mAP | |---------|-------|---------|-----| | yolov5n | 1.9M | 45fps | 28.4| | yolov5s | 7.2M | 30fps | 37.4| | yolov5x | 86.7M | 8fps | 50.1| 3. 视频流处理示例： ```python cap = cv2.VideoCapture(0) while cap.isOpened(): ret, frame = cap.read() results = model(frame) # 添加摔倒检测逻辑（参考[^2]） ```
评论 26
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

打赏作者

AI吃大瓜

尊重原创，感谢支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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