人流量监测-yolov5实现

小辅♕

已于 2022-06-30 16:18:44 修改

阅读量1.2w

点赞数 6

文章标签： python

于 2022-06-30 11:25:55 首次发布

本文链接：https://blog.csdn.net/qq_55680640/article/details/125536992

版权

一.下载yolov5

1.下载地址(YOLOv5论文的源代码地址为)：GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

下载方式1：

(1)如果能够熟练运用git的话可以打开终端windows+R输入cmd

(2)进入想要保存的目录（最好是英文目录）例如 cd E:\A f pan\yolov5

(3)输入git clone https://github.com/ultralytics/yolov5.git

下载方式2：

（1）点击code

（2）点击download zip ,选择你要保存的地址就可以了（最好使用英文路径，创建一个单独项目）

2.配置环境（我使用的是python3.6版本）

（1）下载打开后解压，这个样子

(2) 新建一个python虚拟环境，打开终端：windows+R 输入cmd（我用的anaconda），

运行conda create -n yolov python=3.6 yolov:虚拟环境名字 python=3.6：版本

（会有一个确认操作，输入y就可以了）创建成功后就是这样：

激活虚拟环境：activate +虚拟环境名字（yolov）

进入这个项目例如：cd E:\yolov5\yolov5-master

（2）打开requirements.txt,可以看到这个里面包含了yolov5需要安装的包，运行

pip install -r requirements.txt （要进入这个目录才运行，不然会找不到文件），如果哪些包不行可以尝试一下单独安装。

（3）检测yolov是否能够正常运行：

1.在正确项目路径，正确虚拟环境下，终端输入jupyter notebook（这个是anaconda的一个工具），在打开notebook的时候不要关闭终端，不然后面都无法操作

会在你的浏览器打开这个项目，

打开tutorial.ipynb文件

运行代码时，我们之前已经下载好了相关要求，直接把这3行注释了的，运行这块代码shift+enter,或者直接上面找运行符号

在运行第二段的时候会报错，没有找到文件，差一个yolov5s.pt文件（如果没有报错的话那是因为yolov5直接把这个文件给你下载了，会直接保存在项目中）

进入这个网址 https://github.com/ultralytics/yolov5/releases

下拉找到yolov5s.pt，在yolov项目下创建weigts文件夹weights,把这个文件保存到weights下

在weights加上路径，

!python detect.py --weights ./weights/yolov5s.pt --img 640 --conf 0.25 --source data/images
display.Image(filename='runs/detect/exp/zidane.jpg', width=600)

现在可以发现，yolov已经可以正常运行了：

二.网上爬取训练图片

我使用的pycharm，打开这个项目，创建一个py文件，例如：puqu.py 用来爬取百度图片

因为使用百度爬取的图片会比较杂，所以在爬取之前最好先在百度试一下关键词，最好加一些限制词，这样效果会好一点

代码如下：

import re  # 正则表达式，解析网页
import requests  # 请求网页
import traceback
import os


def dowmloadPic(html, keyword, startNum):
    headers = {'user-agent': 'Mozilla/5.0'}  # 浏览器伪装，因为有的网站会反爬虫，通过该headers可以伪装成浏览器访问，否则user-agent中的代理信息为python
    pic_url = re.findall('"objURL":"(.*?)",', html, re.S)  # 找到符合正则规则的目标网站
    num = len(pic_url)
    i = startNum
    subroot = root + '/' + word
    txtpath = subroot + '/download_detail.txt'

    print('找到关键词:' + keyword + '的图片，现在开始下载图片...')

    for each in pic_url:
        a = '第' + str(i + 1) + '张图片，图片地址:' + str(each) + '\n'
        b = '正在下载' + a
        print(b)
        path = subroot + '/' + str(i + 1)
        try:
            if not os.path.exists(subroot):
                os.mkdir(subroot)
            if not os.path.exists(path):
                pic = requests.get(each, headers=headers, timeout=10)
                with open(path + '.jpg', 'wb') as f:
                    f.write(pic.content)
                    f.close()
                with open(txtpath, 'a') as f:
                    f.write(a)
                    f.close()

        except:
            traceback.print_exc()
            print('【错误】当前图片无法下载')
            continue
        i += 1

    return i


if __name__ == '__main__':

    headers = {'user-agent': 'Mozilla/5.0'}
    words = ['人物高清图片']
    # words为一个列表，可以自动保存多个关键字的图片
    root = './download_images_of_'
    for word in words:
        root = root + word + '&'
    if not os.path.exists(root):
        os.mkdir(root)
    for word in words:
        lastNum = 0
        # word = input("Input key word: ")
        if word.strip() == "exit":
            break
        pageId = 0
        # 此处的参数为需爬取的页数，设置为30页
        for i in range(30):
            url = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + word + "&pn=" + str(
                pageId) + "&gsm=?&ct=&ic=0&lm=-1&width=0&height=0"
            pageId += 20  # 好像没啥影响
            html = requests.get(url, headers=headers)
            # print(html.text) #打印网页源码，相当于在网页中右键查看源码内容
            lastNum = dowmloadPic(html.text, word, lastNum, )  # 本条语句执行一次获取60张图

爬取的图片会保存到一个文件夹里面，爬取的都是百度图片（想爬取其他类型的改一下46行的关键词就可以了）

三.对图片进行处理

就算加了限制词一样会有一些不符合要求的图片，最好自己手动检查一下，删除不需要的图片

然后可以修改一下图片名字，便于后面操作，代码如下：

import os
import re
"""批量修改文件夹的图片名"""
def ReFileName(dirPath,pattern):
    """
    :param dirPath: 文件夹路径
    :pattern:正则

    :return:
    """
    # 对目录下的文件进行遍历
    i = 1
    for file in os.listdir(dirPath):
        # 判断是否是文件

        if os.path.isfile(os.path.join(dirPath, file)) == True:
           #c= os.path.basename(file)
           newName = re.sub(pattern, str(i)+'.jpg', file)
           newFilename = file.replace(file, newName)
           # 重命名
           os.rename(os.path.join(dirPath, file), os.path.join(dirPath, newFilename))
           i+=1
    print("图片名已全部修改成功")

if __name__ == '__main__':

    dirPath = r"E:\A f pan\yolov5\images"
    pattern = re.compile(r'.*')
    ReFileName(dirPath,pattern)

在最后main函数修改你放图片的位置,把修改后的图片放在项目data/images images文件夹下，便于图片标注

四.labelimg工具进行标注

在你的环境下安装labelimg 打开终端windows+r 输入cmd,激活你的环境 activate +你的虚拟环境名，使用 pip install labelimg 命令直接安装，安装好后直接输入labelimg,打开这个工具

在yolov/data文件夹下创建dataset、labels两个文件夹。其中，datasets主要用来存放打好标签后的数据集，labels主要用来存放数据标签。

我们需要对labelimg进行一些设置：

(1)首先选择自动保存模型（1.点击view 2.勾选auto save mode），

auto save mode :自动保存模型（这个要勾选，不然要一直保存）

single class mode: 单一标签标注（如果你训练只有一个标签，勾选这个很方便）

(2)然后再选择改变保存路径(1.点击change save dir 2.选择刚刚创建的dataset文件)

(3）打开需要进行数据标注的文件夹。（1点击open dir 2.选择需要标注图片的文件夹images）

（4）数据标注（比较枯燥），有一些快捷键可以加快标注速度

Ctrl + d 复制当前标签和矩形框；
Ctrl + Shift + d 删除当前图片；
Space 将当前图像标记为已验证；
w 开始创建矩形框；
d 切换到下一张图；
a 切换到上一张图；
del 删除选中的标注矩形框；

1.点击creat rectbox,绘制标注框

2.框选要标注的部分

3.输入标签名

4.点击next image

标注好的图片都在dataset文件里

五.训练数据集

接下来需要对标注好的数据进行预处理操作，在工程目录文件下新建split.py和xml_to_txt.py两个python文件：

split代码如下：

import os
import random
import argparse
parser = argparse.ArgumentParser()
parser.add_argument('--xml_path', default='data/dataset', type=str, help='input xml label path')
parser.add_argument('--txt_path', default='data/labels', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1.0
train_percent = 0.8
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
    os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        file_trainval.write(name)
        if i in train:
            file_train.write(name)
        else:
            file_val.write(name)
    else:
        file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()

运行后会在labels生成四个文件：

xml_to_txt.py代码如下：

import xml.etree.ElementTree as ET
from tqdm import tqdm
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['person']  # 这里改为你要训练的标签，否则会报错。比如你要识别“hand”，那这里就改为hand


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h


def convert_annotation(image_id):
    # try:
    in_file = open('data/dataset/%s.xml' % (image_id), encoding='utf-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w', encoding='utf-8')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " +
                       " ".join([str(a) for a in bb]) + '\n')


# except Exception as e:
#     print(e, image_id)

wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/labels/%s.txt' %
                     (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in tqdm(image_ids):
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

修改第七行代码，将标签改为你自己的，运行后labels出现的文件就是已经打好标签的txt文件

在data文件夹中新建myvoc.yaml文件：

代码如下：

train: data/train.txt
val: data/val.txt
# number of classes
nc: 1

# class names
names: ["person"]

nc:为你的标签类有几个（我的是对人的检测，只有一个）

将names：里面的标签改为你自己的标签。

然后就可以训练了打开终端，激活自己的环境，进入项目工程下，输入训练命令：

python train.py --epoch 300 --batch 4 --data ./data/myvoc.yaml --cfg ./models/yolov5s.yaml --weight ./weights/yolov5s.pt --workers 0

epoch 300 训练300轮

batch 4 一次读入4张图片进行训练

如果电脑性能不是那么理想的话可以适当修改这两个参数值，训练好后会有两个文件best.pt和last.pt，会显示他的路径，找到就可以了，这两个就是你训练的模型

last.pt: 训练最后一轮的模型

bast.pt:效果最优的模型

六.使用pyqt5界面调用模型

小辅♕

关注

6
点赞
踩
49

收藏

觉得还不错? 一键收藏
2
评论
人流量监测-yolov5实现

使用yolov5模型训练，实现人流量检测
复制链接

扫一扫