yolov5实践

目标：采集数据，进行数据标注，使用自己的数据集训练yolo，实现目标检测（人脸）

一、数据采集以及标注

  1.数据采集

  （1）数据采集（摄像头）

"""
代码功能：调用摄像头，保存数据
2023.4.26
li
"""
import cv2

# 定义摄像头
# 参数为0是表示调用第一个摄像头，一般就是笔记本的内置摄像头
cap = cv2.VideoCapture(0)

save_img_path = "./data/" # 保存数据路径
save_img_yn = 1 # 是否保存数据， 1表示保存， 0表示不保存
img_counter = 1 
while(1):
    img_counter = img_counter + 1
    ret,frame = cap.read()#读取每一帧
    cv2.imshow('Camera',frame)#显示每一帧
    if save_img_yn == 1:
        cv2.imwrite(save_img_path + str(img_counter) +  '.jpg', frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break
cap.release()
cv2.destroyAllWindows()

   （2）选用网上的图片

 摄像头采集的数据每一帧都保存一张，数量太多，因此选择网上图片。

 2.数据标注

 使用make sense网站进行标注（也可以使用labeling，不过需要下载）

make sense网站：https://www.makesense.ai/

将标注好的数据导出（txt形式文件）

二、数据准备

1.数据需要分为train与val，文件夹格式如下

dataset #(数据集名字：例如fire) 
├── images      
       ├── train          
              ├── xx.jpg     
       ├── val         
              ├── xx.jpg 
├── labels      
       ├── train          
              ├── xx.txt     
       ├── val         
              ├── xx.txt 

2.修改配置文件

由于yolo默认训练coco128数据集，因此想要训练自己的数据集，需要给出训练数据位置，信息。

 在yolov5-master/data文件夹下添加xxxx.yaml文件，文件内容如下：（我这里设置的只检测人，因此类别只有1个people）

# 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, ..]
path: E:\yolov5\data  # dataset root dir
train: images/train  # train images (relative to 'path')
val: images/val  # val images (relative to 'path')
test:  # test images (optional)

# Classes
nc: 1  # number of classes
names: ['people']  # class names

 三、训练模型——yolov5-master/train.py

1.修改模型参数

在pycharm右上角，点击train旁边的倒三角，选中Edit Configurations...

修改parameters信息为：

--weights yolov5s.pt --data data/people.yaml --workers 1 --batch-size 8 

2.运行模型

 3.结果

模型结果保存在yolov5-master/runs/train/exp中

其中results.png中显示模型训练的损失变化情况。

四、模型测试 ——yolov5-master/detect.py

1.使用测试图片进行目标检测

准备好测试图片后，修改detect的参数。选用上一步训练好的模型参数即best.py，其位置在下图

将best.py复制到yolov5-master文件夹下；同时修改测试图片来源source，如图测试图片位于yolov5-master/data/images。

--weights best.pt --source data/images  

 2.使用摄像头进行实时检测

修改detect.py文件

（修改前）

（修改后）

运行detect.py。 

五、报错以及解决方法

1. 修改detect参数后，报错：detect.py: error: unrecognized arguments

 原因：参数一开始按照教程模式设置：python detect.py --weights best.pt --source data/images

但实际不需要前缀（python detect.py）

正确写法：--weights best.pt --source data/images