yolov5,android部署注意点

最新推荐文章于 2024-09-03 09:29:21 发布

weixin_38871988

最新推荐文章于 2024-09-03 09:29:21 发布

阅读量5.2k

点赞数

文章标签： pytorch 深度学习 sklearn

本文链接：https://blog.csdn.net/weixin_38871988/article/details/123666184

版权

这篇博客记录了YOLOv5模型在Android设备上的部署过程，包括模型训练时的数据集格式、超参数调整，以及预测代码的修改。在训练阶段，作者提到了yaml配置文件的修改和标签文件的格式。预测阶段，强调了需要修改的代码部分。部署到Android时，遇到的问题如模型导出的批次大小、保持模型名称一致以及输出维度的调整。最后，博主提示部署中数据处理的重要性。

摘要由CSDN通过智能技术生成

yolov5实践纪录，

模型训练
训练时需要修改的几个地方，
不论如何，先git下载代码，然后下载单独的模型，在根目录下yolov5s.pt文件。
data文件夹下修改，yaml文件
举例：


train: ../train/images
val: ../valid/images

nc: 2
names: ['mask', 'no-mask']

数据集格式
在这里插入图片描述
labels每个文件和images每个图片原文件相同，文件内容，每行包含识别的标签，和每个预测框的初始坐标和长宽。一个文件可以包含多行，即包含多个预测目标

训练的时候需要修改的几个超参数的地方

	parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default=ROOT / 'models/yolov5s.yaml', help='model.yaml path')
    # parser.add_argument('--cfg', type=str, default='', help='model.yaml path')
    parser.add_argument('--data', type=str, default=ROOT / 'data/mask_kouzhao.yaml', help='dataset.yaml path')
    # parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')
    parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')
    parser.add_argument('--epochs', type=int, default=10)
    # parser.add_argument('--epochs', type=int, default=300)
    parser.add_argument('--batch-size', type=int, default=8, help='total batch size for all GPUs, -1 for autobatch')
    # parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')
    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')
    parser.add

参考如上

预测
上代码：

@torch.no_grad()
def run(weights=ROOT / 'yolov5s.pt',  # model.pt path(s)
        source=ROOT / 'data/images',  # file/dir/URL/glob, 0 for webcam
        data=ROOT / 'data/coco128.yaml',  # dataset.yaml path