yolov5初步实践

                                                目标检测（yolov5）

对于目标检测这一方面，我曾经学习了解过人体姿态估计的代码，对于人体运动目标的检测可以描述为：研究人员通过一定的技术手段，在一段由摄像头获取的视频图像序列中获取感兴趣的运动目标，然 后利用相关的算法，使得机器在后续的图像序列中能够找到这些目标，并能得到 该目标在这段视频图像序列中的位置变化等相关信息。最终的结果是这样的

人体姿态估计的理念有部分能够借鉴到目标检测上，比如目标位置的确定以及矩形框的选用。

       那么，关于目标检测，该如何去实现呢？由于自身能力有限，我选择到网上寻找答案，发现目前目标检测里最热门的是yolov5。yolov5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使得其速度与精度都得到了极大的性能提升，具体包括：输入端的Mosaic数据增强、自适应锚框计算、自适应图片缩放操作；基准端的Focus结构与CSP结构；Neck端的SPP与FPN+PAN结构；输出端的损失函数GIOU_Loss以及预测框筛选的DIOU_nms。 除此之外，YOLOv5中的各种改进思路仍然可以应用到其它的目标检测算法中。

       关于yolov5的操作，我进行了以下几步：一、在https://github.com/ultralytics/yolov5中下载代码。二、阅读README,README里告诉了我如何做Inference。三、完善未安装的包，在命令行加入摄像头

四、运行在pycharm里detect.py ，会有以下识别视频：

这样，目标检测的初步运行就完成了。

       接下来，便是我们自己尝试数据的训练，coco128是一个是我选择用于练手的小型数据集，下载coco128，然后更改路径path: D:\data\detection\coco128，下一步我们要做的是数据的标注，我尝试了两种工具：labelimg和Labelme。Labelimg是矩形框标注工具，labelme是以点的形式标注数据的工具，另外这个工具标注完形成的文件是json后缀，我们需要通过代码编写把它转化为txt后缀供yolov5识别。代码我借鉴了csdn某up主的思路。

运行train.py即可开始训练。

这个训练建议在GPU环境下进行训练。这样速度快。

另外有一些本人关于数据标注的小发现，对于矩形框标注工具，涵括物体全部轮廓的数据在识别时精度更高；对于点标注工具，点越多，越贴合物体轮廓，识别精度更高。  

Json文件转换：(25条消息) json格式数据集转yolo txt格式_wlh156423的博客-CSDN博客_json转yolo格式                        

Yolov5源码：https://github.com/ultralytics/yolov5