【项目实训】——yolov5模型的本地部署和优化

yolov5模型的本地部署

一、配置Anaconda

执行命令conda create -n yolov5 python=3.10

              conda activate yolov5

出现这个图标即可，之后的操作都需要在这个yolov5的虚拟环境下进行操作。

二、克隆yolov5仓库

下载完成后解压

克隆库

执行命令pip install ultralytics
pip install -r requirements.txt 

yolov5模型的优化

        YOLOv5是一个快速且灵活的对象检测模型，以其出色的实时性能和易于部署的特点著称，适合在性能有限的设备上运行。虽然它在复杂场景和小目标检测方面可能不如某些其他高精度模型，但其在多种配置下的适应性和强大的社区支持使其成为实际应用中非常受欢迎的选择。对于需要快速检测而准确度要求不是极端严格的场景，YOLOv5提供了一个高效的解决方案。  

        因为在进行计算机视觉任务时，不同的应用场景对模型的要求各不相同。例如，在进行安全帽识别的任务中，可能需要调整模型以更准确地识别不同大小、形状和颜色的安全帽，或者优化模型以更好地处理不同光照和背景条件下的图像。此外，优化模型还可以提高模型的检测速度，减少误检率，使模型更加鲁棒，从而更适应实际应用环境的需求。因此，根据具体的应用需求对YOLOv5进行优化，是确保模型性能满足特定任务要求的重要步骤。

优化步骤如下：

1. 分析图片数据

       首先，分析数据集中的图片，查看是否存在某些常见问题，比如图片模糊、光照问题、或者目标尺寸过小等。这些因素都可能影响模型的性能。

        在细致分析过本次的数据集后，发现以下几点问题

1）颜色和背景很像

2）由于安全帽在整个图片中是一个小物体，因此像素在整个图像中占比很小。

3）由于神经网络一直下沉，所以会损失很多细节，需要针对这点做出改进

2. 自定义模型结构

        基于图片数据的分析，我最后决定增加特征增强模块和注意力模块以优化yolov5性能

步骤如下：

1: 修改配置文件

        在 models`目录下找到模型配置文件（通常是 .yaml文件）。需要在适当的层中添加特征增强和注意力模块的配置。可以在每个残差块后添加注意力模块，如SENet、CBAM等。

2: 修改训练脚本

打开 train.py文件，在训练循环中添加您的特征增强和注意力模块的初始化和应用逻辑。这可能涉及修改损失函数或添加额外的优化器步骤。

3: 修改数据加载器

在 utils/datasets.py中，调整数据预处理方法，以适应新添加的模块。例如，需要调整图像的归一化参数或添加特定的数据增强技术。

4: 调整检测脚本

在 detect.py文件中，确保模型加载时包括了新的特征增强和注意力模块，调整相关参数以优化检测效果。

5: 调整锚点配置

在模型的配置文件中调整锚点设置，以更好地适应目标尺寸。