YOLOv5物体检测

DB_UP

已于 2024-09-26 16:50:51 修改

阅读量1.2k

点赞数 8

分类专栏：人工智能图像识别文章标签： YOLO 计算机视觉 python 图像处理

于 2024-09-24 23:32:27 首次发布

本文链接：https://blog.csdn.net/u012121721/article/details/142465311

版权

图像识别同时被 2 个专栏收录

5 篇文章 0 订阅

订阅专栏

人工智能

4 篇文章 0 订阅

订阅专栏

一、环境安装

1.1、anaconda安装，根据官方地址一步步安装，此略过。

https://www.anaconda.com/download

创建虚拟环境

conda  create -n yolov5 python=3.8

配置国内源，加速下载（可选）

pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

1.2、pytorch安装

https://pytorch.org/index.html
https://pytorch.org/get-started/previous-versions/

# 选择V1.8.2版本下
# CUDA 10.2 （英伟达显卡1650/1600/..选择）
pip3 install torch==1.8.2 torchvision==0.9.2 torchaudio==0.8.2 --extra-index-url https://download.pytorch.org/whl/lts/1.8/cu102
# CUDA 11.1 （英伟达显卡30以上选择）
pip3 install torch==1.8.2 torchvision==0.9.2 torchaudio==0.8.2 --extra-index-url https://download.pytorch.org/whl/lts/1.8/cu111
# CPU Only （电脑没有GPU选）
pip3 install torch==1.8.2 torchvision==0.9.2 torchaudio==0.8.2 --extra-index-url https://download.pytorch.org/whl/lts/1.8/cpu

1.3、yolov5下载

https://github.com/ultralytics/yolov5/tree/master

下载yolov5 v7.0版本
https://github.com/ultralytics/yolov5/releases/tag/v7.0 Assets下 Source code.zip压缩包

1.3.1 requirements.txt文件修改

修改yolov5模型内的requirements.txt文件，主要是

numpy==1.18.5修改 numpy==1.20.3
Pillow==7.1.2修改 Pillow==8.3.0
注释掉torch，torchvision，因为文件内的版本和实际pytorch下载对应的版本可能不同，且已经有下载

1.3.2 下载预训练模型

yolov5有yolov5n、yolov5s、yolov5m、yolov5l、yolov5x五种参数模型，模型对应的参数params依次增加。
在这里插入图片描述
在Assets下下载五种模型，放置到yolov5-7.0文件夹下。

1.3.3 模型测试

通过终端输入以下内容，检验模型检测效果。

python detect.py

二、模型检测

2.1、关键参数

weights：训练好的模型文件

yolov5n、yolov5s、yolov5m、yolov5l、yolov5x五种参数模型。

python detect.py --weights yolov5s.pt
python detect.py --weights yolov5x.pt

source:检测的目标，可以是单张图片、文件夹、屏幕或者摄像头等

python detect.py --weights yolov5s.pt --source 0   #摄像头
											   img.jpg #图片
											   vid.mp4 #视频
python detect.py --weights yolov5s.pt --source data/images/bus.jpg	
python detect.py --weights yolov5s.pt --source screen #整个屏幕检测

conf :置信度阈值，表示预测框中包含物体的概率。越低框越多，越高框越少

python detect.py --weights yolov5s.pt --conf-thres 0.8

iou :iou阈值，越低框越少，越高框越多（1）评估预测框与真实框之间的匹配程度，越高预测越准确；（2）执行非极大值抑制的关键参数，如果两个框的iou超过阈值，其中置信度较低的框就会被抑制。

三、数据集构建

3.1、标注工具

视频类数据集可以使用opencv进行视频抽帧

import cv2
import matplotlib.pyplot as plt
video = cv2.VideoCapture('./bat.mp4')
ret,frame=video.read()
plt.imshow(frame)
plt.imshow(cv2.cvtcolor(frame,cv2.COLOR_BGR2BGR)) #转换图片通道

num=0
save_step=30  #间隔帧
while True:
	ret,frame=video.read()
	if not ret:
		break
	num+=1
	if num % save_step ==0:
		cv2.imwrite('./images/'+str(num)+".jpg",frame)

labelimg

pip install labelimg

输入labelimg
(1) 打开文件夹Open Dir，确定文件存储位置Change Save Dir
(2) 点击PascalVOC使图片以YOLO格式存储
(3)点击图片目标，出现Create_RectBox进行标记
(4)图片标记label格式为txt，包括五条数据，第一个为类别，后四个为目标坐标
在这里插入图片描述

四、模型训练

4.1、数据处理

image：存放图片
train：训练集数据
val：验证集数据
label：存放标签
train：训练集标签，与训练集图片命名一一对应
val：验证集标签，与验证集图片命名一一对应
classes.txt不需要放文件内

4.2、关键参数

data：数据集描述文件
weights:预训练权重文件
data默认是选择coco128.yaml，此处复制coco128.yaml文件命名为bvn.yaml。主要根据自己路径修改里面path、train、val参数，其中classes根据实际目标检测对象类别进行修改

path: ../datasets/coco128  # dataset root dir
train: images/train2017  # train images (relative to 'path') 128 images
val: images/train2017  # val images (relative to 'path') 128 images
test:  # test images (optional)
# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter

在这里插入图片描述
weights默认是选择yolov5s.pt模型，此处可以根据实际情况更改为yolov5n、yolov5m、yolov5l、yolov5x四种模型进行训练。

在这里插入图片描述

4.3、模型结果解读

模型训练结果会在run文件夹下的train文件的exp.中，文件内包含很多参数，其中weights中有训练最好的best.pt和最差的last.pt模型。
在这里插入图片描述
可以在终端通过tensorboard --logdir runs进行展示结果

五、模型验证及新数据检测

根据预训练完的模型，得到weights中有训练最好的best.pt，通过终端输入以下参数进行模型验证

python val.py --weights runs/train/exp34/weights/best.pt

可以通过参数将图片/视频/…结果输出到桌面(–view-img)

python detect.py --weights runs/train/exp9/weights/best.pt --source datasets/images/test (--view-img可选参数)

在这里插入图片描述
train中包含很多输出，其中包含训练的batch结果，验证集的val_batch0_pred.jpg结果。

六、常见问题

6.1、服务器GPU显存选择

公司碰到多人使用GPU，导致GPU显存不足现象，在train.py和val.py代码中添加检查可用GPU进行模型训练

# 检查所有可用的GPU显存
    required_memory = 2e9
    gpu_memory = [(i, torch.cuda.get_device_properties(i).total_memory - torch.cuda.memory_allocated(i)) for i in range(torch.cuda.device_count())]
    gpu_memory = sorted(gpu_memory, key=lambda x: x[1], reverse=True)  # 按可用显存排序

    # 选择显存足够的GPU (例如选择可用显存最大的一个)
    for gpu_id, available_memory in gpu_memory:
        if available_memory > required_memory:  # 设定所需的显存
            print(f"Using GPU {gpu_id} with {available_memory / 1e9:.2f} GB available memory")
            torch.cuda.set_device(gpu_id)
            break

如果知道某个卡显存够使用，也可以通过–device 1（1表示卡1，可通过nvidia-smi查看卡显存情况）使用

python val.py --weights runs/train/exp/weights/best.pt --data path/to/my_dataset.yaml --iou 0.65 --device 1

6.2、同时检测自己训练的数据集中的物体和预训练模型中的物体

合并数据集
自定义数据集：将你的数据集（包括标注信息）整理成YOLOv5支持的格式。
预训练数据集：确保你所使用的YOLOv5预训练模型所能检测的对象的标签在你的数据集中也有对应的标签。
创建一个新的标签文件，包含你自己数据集的类别以及YOLOv5预训练模型支持的类别。确保类别编号不重复。

python train.py --img 640 --batch-size 16 --epochs 50 --data custom_data.yaml --weights yolov5s.pt #参数可选及根据自己实际更换
python detect.py --weights runs/train/exp/weights/best.pt --img 640 --conf 0.25 --source path/to/your/test/images

七、创建本地查看链接

import torch
import gradio as gr
model=torch.hub.load('./','custom',path='runs/train/exp19/weights/best.pt',source='local') #custom自定义模型

title = '基于Gradio的物体检测'
desc = '可以检测图片内的目标对象'

def det_image(img,conf,iou):
	model.conf=conf
	model.iou=iou
	return model(img).render()[0]
base_conf,base_iou=0.25,0.45
gr.Interface(inputs=['image',gr.Slider(minimum=0,maximum=1,value=base_conf),gr.Slider(minimum=0,maximum=1,value=base_iou)],
			outputs=['image'],
			fn=det_image,
			title=title,
			description=desc,
			live=True,
			examples=[['./datasets/images/train2017/1.jpg',0.4,base_iou],['./datasets/images/train2017/2.jpg',0.4,base_iou]]).launch(share=True)