YOLO-V5 算法和代码解析系列（一）—— 快速开始

最新推荐文章于 2024-04-11 09:06:27 发布

X_Imagine

最新推荐文章于 2024-04-11 09:06:27 发布

阅读量1.9k

点赞数

分类专栏： # YOLO-V5代码解读文章标签： python 深度学习 yolo-v5 教程之重新训练

本文链接：https://blog.csdn.net/kxh123456/article/details/127571203

版权

YOLO-V5代码解读专栏收录该内容

10 篇文章 11 订阅

订阅专栏

文章目录

运行环境配置

环境配置的官方教程如下，如果一些库安装失败，导致安装中断，可以单独安装一些库，比如 Pytorch，然后再执行下列安装步骤，具体如下：

在这里插入图片描述
个人建议：在上述安装之前，先安装 Anaconda，然后创建虚拟环境。Anconda 以及相关 Pytorch 开发环境配置，可以参考本人的博客文章，相关的链接如下，

Ubuntu：https://blog.csdn.net/kxh123456/article/details/121331727
Windows：https://blog.csdn.net/kxh123456/article/details/110267660

注意几个问题：

下载特定版本的 yolo-v5：git clone -b v6.1 https://github.com/ultralytics/yolov5.git
最好是用【git clone】的方式下载，这样工程在被改动的时候，会有标记，很容易恢复到原始版本.
版本重要更新：【v6.2 】添加了分类模型，【v7 】添加了分割模型.
当前系列教程解析的代码版本：【v6.1】.

Demo

在线推理
运行下面的代码，模型【yolov5s.pt】自动从【“ultralytics/yolov5”】下载，测试图片也是从网上下载。完整代码如下：
```
import torch

# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5n - yolov5x6, custom

# Images
img = 'https://ultralytics.com/images/zidane.jpg'  # or file, Path, PIL, OpenCV, numpy, list

# Inference
results = model(img)

# Results
results.print()  # or .show(), .save(), .crop(), .pandas(), etc.
```
运行后，如果出现如下的错误，表示无法访问 Github，

如果可以正常访问【Github】，可以正常推理，打印如下结果，

最后一行代码改为 results.show() ，得到如下可视化结果，

在这里插入图片描述

离线推理
如果无法访问【Github】，也可以把模型和测试图片通过其它方式下载到本地，进行离线推理，具体代码修改如下，

import torch

# Model
# model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5n - yolov5x6, custom
model = torch.hub.load('./', 'yolov5s', source='local')  # or yolov5n - yolov5x6, custom

# Images
# img = 'https://ultralytics.com/images/zidane.jpg'  # or file, Path, PIL, OpenCV, numpy, list
img = 'data/images/zidane.jpg'  # or file, Path, PIL, OpenCV, numpy, list


# Inference
results = model(img)

# Results
results.show()  # or .show(), .save(), .crop(), .pandas(), etc.

在这里插入图片描述

【detect.py】
官方教程如下图所示，可以是多种输入形式，
在这里插入图片描述

调用摄像头进行预测，命令如下，

python detect.py --weights yolov5s.pt --source 0

在这里插入图片描述

推理单张图，命令如下，

python detect.py --weights yolov5s.pt 
	             --source D:\\DM2\\2DDetection\\datasets\\coco128\\images\\train2017\\000000000030.jpg

在这里插入图片描述

推理路径下的所有图片，运行命令和结果如下，

python detect.py --weights yolov5s.pt 
	             --source D:\\DM2\\2DDetection\\datasets\\coco128\\images\\train2017\\

在这里插入图片描述

输入参数为网站视频链接，并进行推理，同时还会输出目标的数量（见终端打印内容），

python detect.py --weights yolov5s.pt --source https://youtu.be/Zgi9g1ksQHc

在这里插入图片描述

重新训练 YOLO-V5s

为了快速验证工程的效果，只重新训练其中一个模型【yolo-v5s】。该模型大小适中，不至于消耗太长时间。当前教程的目的仅仅是为了重新训练一遍，【快速】验证工程的有效性。具体流程如下，

官方教程
单卡、单机训练教程如下图所示，可以快速开始训练，验证项目是否可以正常训练。根据自己显卡的显存，需调整批次的大小，避免显存溢出。运行命令以及训练的可视化结果如下，

运行【trian.py】
本机配置：Ubuntu18，batch=32（64，显存不够），2022-12-07，09:30AM 开始训练，2022-12-11，08:30AM 结束训练（大概4天训练完成）。运行后，终端打印内容如下，比如显卡型号，显存，训练集和测试集图片数量等内容，

YOLOv5 🚀 v6.1-0-g3752807 torch 1.10.0 CUDA:1 (NVIDIA GeForce RTX 2080 Ti, 11019MiB)

train：Scanning ‘/home/slam/kxh-1/2DDection/datasets/coco/train2017. cache’ images and labels … 117266 found, 1021 missing, 0 empty, 0 corrupt: 100%|████████████████████████████████████████████████████████████████████████████████|
118287/118287 [00:00<?, ?it/s]
val： Scanning’/home/slam/kxh-1/2DDection/datasets/coco/val2017. cache’ images and labels… 4952 found, 48 missing, 0 empty, 0 corrupt: 100%|████████████████████████████████████████████████████████████████████████████████████████████|
5000/5000 [00:00<?, ?it/s]

训练的命令如下，包含第一次开启训练，以及训练中断后，恢复训练，

# 开启训练
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 32

# 训练中断，重新恢复训练，resume：添加模型的路径
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 32 
 				--resume runs/train/exp/weights/last.pt

训练开始后的部分截图如下图所示，

在这里插入图片描述

如上图所示，训练【epoch=300】后，【yolo-v5s】训练完成。最终打印结果如下，

        Class     Images     Labels          P          R     mAP@.5 mAP@.5:.95: 100%|██████████| 79/79 [00:34<00:00,  2.29it/s]                                                                                                                              
          all       5000      36335      0.688      0.508      0.559       0.36
       person       5000      10777      0.768      0.683      0.759      0.477
      bicycle       5000        314      0.693      0.438      0.521       0.27
          car       5000       1918      0.681      0.572       0.62      0.373
   motorcycle       5000        367      0.759      0.586      0.658      0.361
     airplane       5000        143      0.884      0.755      0.846      0.575
          bus       5000        283      0.826      0.707      0.777      0.602
        train       5000        190      0.903      0.768      0.839      0.585
        truck       5000        414      0.615      0.403      0.487      0.289
         boat       5000        424      0.634       0.37      0.452       0.21
traffic light       5000        634      0.638      0.476      0.507      0.237
 fire hydrant       5000        101      0.825      0.713      0.814      0.601
    stop sign       5000         75      0.785       0.68      0.722      0.601
parking meter       5000         60       0.73      0.533      0.603      0.419
        bench       5000        411      0.632      0.268      0.331      0.204
         bird       5000        427      0.657      0.431       0.48      0.285
          cat       5000        202      0.827      0.748      0.814      0.557
          dog       5000        218      0.786      0.674      0.729      0.546
        horse       5000        272      0.766      0.695      0.748      0.525
        sheep       5000        354      0.629      0.681      0.698      0.459
          cow       5000        372      0.712      0.675      0.726      0.478
     elephant       5000        252      0.743      0.813      0.809      0.556
         bear       5000         71      0.852      0.817      0.857       0.63
        zebra       5000        266      0.886      0.815      0.898      0.623
      giraffe       5000        232      0.915      0.831      0.901      0.658
     backpack       5000        371      0.579      0.259      0.259      0.124
     umbrella       5000        407      0.693       0.55      0.596      0.348
      handbag       5000        540      0.615      0.181      0.223      0.111
          tie       5000        252      0.691      0.417      0.486      0.262
     suitcase       5000        299      0.603      0.472      0.544      0.337
      frisbee       5000        115      0.786      0.783      0.813      0.601
         skis       5000        241      0.691      0.357      0.413      0.169
    snowboard       5000         69      0.579      0.406      0.427      0.233
  sports ball       5000        260      0.691      0.588      0.599      0.387
         kite       5000        327      0.615      0.581      0.601      0.377
 baseball bat       5000        145      0.651      0.469      0.505       0.23
baseballglove       5000        148      0.734      0.534      0.582      0.327
   skateboard       5000        179      0.825      0.686      0.699      0.456
    surfboard       5000        267       0.65      0.487      0.522      0.284
tennis racket       5000        225      0.771      0.687      0.739      0.419
       bottle       5000       1013       0.65      0.449      0.516      0.313
   wine glass       5000        341      0.691      0.428      0.513      0.296
          cup       5000        895      0.641      0.509      0.551       0.37
         fork       5000        215      0.586      0.344      0.429      0.247
        knife       5000        325      0.551      0.191      0.244      0.122
        spoon       5000        253      0.494      0.178      0.212      0.112
         bowl       5000        623      0.663      0.478      0.534      0.364
       banana       5000        370      0.537      0.335      0.338      0.182
        apple       5000        236      0.477      0.286      0.252      0.165
     sandwich       5000        177      0.643      0.469      0.501      0.325
       orange       5000        285      0.474      0.361      0.368      0.276
     broccoli       5000        312      0.551      0.359      0.379      0.178
       carrot       5000        365      0.415      0.301      0.293       0.17
      hot dog       5000        125      0.659      0.464      0.501      0.317
        pizza       5000        284      0.754      0.644      0.683      0.475
        donut       5000        328      0.632      0.509      0.548      0.401
         cake       5000        310      0.627      0.487      0.519      0.323
        chair       5000       1771      0.624      0.385      0.455      0.256
        couch       5000        261      0.749      0.479      0.616      0.419
 potted plant       5000        342      0.586      0.435      0.446      0.231
          bed       5000        163      0.804      0.454      0.609      0.376   
 dining table       5000        695      0.627      0.332      0.386      0.233
       toilet       5000        179      0.741      0.693      0.785      0.603
           tv       5000        288      0.742       0.66      0.734       0.51
       laptop       5000        231      0.772      0.628      0.692       0.52
        mouse       5000        106      0.777      0.764      0.804      0.585
       remote       5000        283      0.525       0.36      0.402      0.206
     keyboard       5000        153       0.69      0.608      0.679      0.455
   cell phone       5000        262      0.598      0.458      0.488      0.293
    microwave       5000         55      0.708      0.636      0.726      0.519
    	 oven       5000        143      0.657      0.448      0.512      0.299
      toaster       5000          9      0.998      0.444      0.587      0.399
         sink       5000        225      0.659      0.493      0.535       0.34
 refrigerator       5000        126      0.789      0.595      0.683      0.464
         book       5000       1129      0.486      0.157      0.215      0.084
        clock       5000        267      0.778      0.689      0.712      0.477
         vase       5000        274      0.596      0.496      0.531       0.34
     scissors       5000         36      0.477       0.25      0.269       0.18
   teddy bear       5000        190      0.715      0.529       0.63      0.409
   hair drier       5000         11          1          0      0.017     0.0113
   toothbrush       5000         57       0.54      0.281      0.259      0.156
   
Evaluating pycocotools mAP... saving runs/train/exp/_predictions.json...
loading annotations into memory...
Done (t=0.33s)
creating index...
index created!
Loading and preparing results...
DONE (t=6.45s)
creating index...
index created!
Running per image evaluation...
Evaluate annotation type *bbox*
DONE (t=60.67s).
Accumulating evaluation results...
DONE (t=12.01s).
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.373
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.566
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.405
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.219
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.423
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.482
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.307
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.514
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.569
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.381
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.628
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.722
Results saved to runs/train/exp

运行【val.py】

python val.py --weights runs/train/exp/weights/best.pt --data coco.yaml --img 640

运行评估脚本，结果如下：

val: data=/home/slam/kxh-1/2DDection/test/yolov5/data/coco.yaml,
weights=['runs/train/exp/weights/best.pt'], 
batch_size=32, imgsz=640, conf_thres=0.001, iou_thres=0.6, 
task=val, device=, workers=8, single_cls=False, augment=False, 
verbose=False, save_txt=False, save_hybrid=False, save_conf=False, 
save_json=True, project=runs/val, name=exp, exist_ok=False,half=False, dnn=False

YOLOv5 🚀 v6.1-0-g3752807 torch 1.10.0 CUDA:0 (NVIDIA GeForce RTX 2080 Ti, 11019MiB)

Fusing layers... 
Model Summary: 213 layers, 7225885 parameters, 0 gradients, 16.4 GFLOPs
val: Scanning '/home/slam/kxh-1/2DDection/datasets/coco/val2017.cache' images and labels... 
4952 found, 48 missing, 0 empty, 0 corrupt: 100%|█████████████████████████████████| 5000/5000 
[00:00<?, ?it/s]
    Class     Images     Labels          P          R     mAP@.5 mAP@.5:.95: 100%|██████████| 157/157 		[00:40<00:00,  3.85it/s]                                                                 
      all       5000      36335      0.668      0.523      0.563      0.363
Speed: 0.1ms pre-process, 2.5ms inference, 1.5ms NMS per image at shape (32, 3, 640, 640)

Evaluating pycocotools mAP... saving runs/val/exp3/best_predictions.json...
loading annotations into memory...
Done (t=0.84s)
creating index...
index created!
Loading and preparing results...
DONE (t=5.40s)
creating index...
index created!
Running per image evaluation...
Evaluate annotation type *bbox*
DONE (t=58.44s).
Accumulating evaluation results...

DONE (t=11.82s).
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.373
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.570
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.403
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.218
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.423
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.482
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.308
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.511
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.562
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.376
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.620
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.715
Results saved to runs/val/exp3

训练结果可视化
借助 tensorboard，训练可视化结果如下所示，
结果评估
重新训练【yolo-v5s】后，得到如下表的结果，很容易可以达到官方训练的水平。表明模型具有极好的稳定性，可复现性，非常适合实际应用，

yolo-v5s image size mAP(val)
0.5:0.95 mAP(val)
0.5 训练时间 batch size
官方发布 640 37.4 56.8 2 days V100 64
重新训练 640 37.3 57.0 4 days 2080Ti 32