Open images v6 + Yolov5 轻松获取数据并做2D目标检测

已于 2022-09-22 16:20:27 修改
阅读量2.1k 收藏 15
点赞数 2
分类专栏： python 模型调参 yolov5 文章标签： 目标检测 深度学习 python
于 2022-09-22 16:15:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39986534/article/details/126990840
版权
python 同时被 3 个专栏收录
37 篇文章 3 订阅
订阅专栏
模型调参
2 篇文章 0 订阅
订阅专栏
yolov5
1 篇文章 0 订阅
订阅专栏

记录一下从数据获取到做出符合需求的2d检测模型的全过程，记录一共分为四个章节.其中

fiftyone

简介

fiftyone是一款用于构建高质量数据集和计算机视觉模型的开源工具.这款工具不仅仅可以用来加载数据，还能用来评估模型性能，查找注释错误等等
想要了解更多关于fiftyone可以点击这里

安装

创建一个虚拟环境并安装 fiftyone

mkdir Fiftyone_Yolov5
cd Fiftyone_Yolov5
conda create -n Fiftyone_Yolov5 python=3.8
conda activate  Fiftyone_Yolov5
conda install jupyter notebook 
pip install fiftyone  # 安装数据集的API

选择需要下载的数据集

首先导入 fiftyone 中的数据zoo。

import fiftyone as fo
import fiftyone.zoo as foz
help(foz)

需要根据你需要的实际需求设置数据的下载参数。

dataset = foz.load_zoo_dataset(
        "open-images-v6",
        split="train",
        classes=["Table","Human hand","Human head","Person"],
        max_samples=100000,
        shuffle=True,
        only_matching=True,  
        label_types=["detections"],  # 指定下载目标检测的类型,detections,
        dataset_dir="./OpenImageV6_20220921",# 保存的路径
        num_workers=4,  # 指定工作进程数
)

foz.load_zoo_dataset 参数简介

  1. 填写你需要数据集的名称(字符串类型)
  2. split 指定要加载的分段。支持的值是’ (“train”， “test”， “validation”) '(字符串类型)
  3. classes 选择你需要的检测的对象的类别。(字符串或list类型)
    NOTE: 类别字符串一定要与数据集的类别名称一致，如果不确定可以自行百度或者google一下数据集的类别。注意大小写。
  4. max_samples 要加载的样本的最大数量。(int类型)
  5. only_matching 是否只加载与您提供的’ classes ‘或’ attrs '需求匹配的标签(True)，还是加载与需求匹配的样本的所有标签(False)
  6. num_workers 使用的进程数，默认使用multiprocessing.cpu_count()返回的cpu数量
  7. shuffle 是否打乱下载数据的顺序
  8. include_id 是否加载标签中包含某个样本的标签
  9. image_ids 指定需要加载的图像的id
  10. seed 随机种子
  11. attrs 指定需要加载的关系属性的字符串或字符串列表。此参数仅适用于“label_type”包含“relationships”的情况。

foz.load_zoo_dataset 参数官方文档

API参数可以参考这个文档进行自定义。

文档右边可以选择你需要的数据集进行下载。往下拉可以看到所有可以选择的参数。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

图片注释格式转换

经过第一章节，我们已经拿到了我们需要的数据集，但是由于注释格式的不同我们无法直接输入yolov5进行使用，这一章节我们通过open images v6 的数据进行演示，如何将OIDv6的数据格式转换成yolo txt的数据格式。
转换分为两步: oidv6格式到voc ； voc 到 yolo txt 。

OIDv6 >> voc

这一步骤使用了这个python工具包–(oidv6-to-voc)

安装 oidv6-to-voc

pip install oidv6-to-voc

使用 oidv6-to-voc 工具进行转换

oidv6-to-voc <annotation-file(s).csv>
             -d <class-names-file.csv> 
             --imgd <directory/to/your/images>
             --outd <your/output/diretory>

其中annotation-file(s).csv 可以在数据保存路径下的labels/文件夹中找到 detections.csv
在这里插入图片描述
class-names-file.csv 可以在下一小节中下载
<directory/to/your/images> 数据集的图片路径
<your/output/diretory> 转换成voc之后的注释保存路径

下载需要的标注文件

点击进入这个网页https://storage.googleapis.com/openimages/web/download.html

在这里插入图片描述
其中 红色框内的表示annotation-file(s).csv文件，open images 将其数据分割成了 train validation test
绿色框内的表示 class-names-file.csv 下载完直接使用即可

NOTE:
其中第1列代表的是open images 的类别id(这个不是给一般人看的)，第2列代表的是类别id所对应的英文名字(你可以在其中找一下有没有你需要的类别)

在这里插入图片描述

VOC >> YOLO TXT

使用python实现格式转换

以下代码主要参考了这篇博客
首先导入我们所需要的数据包

import xml.etree.ElementTree as ET
import glob
import os
import json

导入两个函数

def xml_to_yolo_bbox(bbox, w, h):
    # xmin, ymin, xmax, ymax
    x_center = ((bbox[2] + bbox[0]) / 2) / w
    y_center = ((bbox[3] + bbox[1]) / 2) / h
    width = (bbox[2] - bbox[0]) / w
    height = (bbox[3] - bbox[1]) / h
    return [x_center, y_center, width, height]
def yolo_to_xml_bbox(bbox, w, h):
    # x_center, y_center width heigth
    w_half_len = (bbox[2] * w) / 2
    h_half_len = (bbox[3] * h) / 2
    xmin = int((bbox[0] * w) - w_half_len)
    ymin = int((bbox[1] * h) - h_half_len)
    xmax = int((bbox[0] * w) + w_half_len)
    ymax = int((bbox[1] * h) + h_half_len)
    return [xmin, ymin, xmax, ymax]

依次填入类别名称、VOC格式的注释文件所在目录，你想要输出YOLO TXT格式的注释文件所在目录、图片目录

classes = []
input_dir = "annotations/"
output_dir = "labels/"
image_dir = "images/"

if not os.path.isdir(output_dir):
    os.mkdir(output_dir)

这是注释格式转换的主要代码

files = glob.glob(os.path.join(input_dir, '*.xml'))
for fil in files:
    basename = os.path.basename(fil)
    filename = os.path.splitext(basename)[0]
    if not os.path.exists(os.path.join(image_dir, f"{filename}.jpg")):
        print(f"{filename} image does not exist!")
        continue
    files = glob.glob(os.path.join(input_dir, '*.xml'))
    result = []
    tree = ET.parse(fil)
    root = tree.getroot()
    width = int(root.find("size").find("width").text)
    height = int(root.find("size").find("height").text)
    for obj in root.findall('object'):
        label = obj.find("name").text
        if label not in classes:
            classes.append(label)
        index = classes.index(label)
        pil_bbox = [int(x.text) for x in obj.find("bndbox")]
        yolo_bbox = xml_to_yolo_bbox(pil_bbox, width, height)
        bbox_string = " ".join([str(x) for x in yolo_bbox])
        result.append(f"{index} {bbox_string}")
    if result:
        with open(os.path.join(output_dir, f"{filename}.txt"), "w", encoding="utf-8") as f:
            f.write("\n".join(result))

记录一下类别

with open('classes.txt', 'w', encoding='utf8') as f:
    f.write(json.dumps(classes))

Yolov5的训练

yolov5 训练前的准备工作

下载yolov5项目代码并安装需要的运行环境(最好在虚拟环境下运行)

git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
pip install -r requirements.txt  # install

移动数据集到指定位置

在yolov5的目录下创建一个datasets文件夹用以装载训练和测试数据
在这里插入图片描述
其中 images 装载图片训练和验证的数据分别装在train和val文件夹下
labels同理装载注释数据的txt文件

修改model的配置文件(yaml)

在data目录下创建一个关于自己数据的yaml文件 比如customerData.yaml

train: ./datasets/images/train  # 在这里写上训练路径 
val: ./datasets/images/val      # 在这里写上测试路径

nc: 3 # 写上你的种类数量

names: ["car","person","human face"]

修改data的配置文件(yaml)

进入models文件夹 选择你想要的yolov5模型，我们以yolov5l.yaml 为例，将文件中的nc: 80 改为你的类别数目。比如 如果你需要检测car、person、cycline三类 就写一个3。

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

yolov5 的训练参数

改好之后就可以开始训练了

python3 train.py --img-size 640 \  # 图片的size大小 需要注意的是必须要是32的倍数，常用的有640 1280 1440
--batch-size 16 \  
--epochs 300 \
--data ./data/customerData.yaml \  # 数据配置文件
--cfg ./models/yolov5l.yaml \      # 模型配置文件
--weights weights/yolov5l.pt \ # yolo 会自动下载不用管
--device 0,1 # 使用电脑的GPU下标
其他可选参数简介:
  1. –evolve {num} 使用yolo自带的进化算法调整模型超参数(num为训练的代数3)
  2. –multi-scale 随机调整 imgsz的大小 调整范围为 “±50%”
  3. –workers {num} 多进程设置(num 为需要设定的进程数)
  4. –cache 将数据提前加载到内存
  5. –hyp xxx.yaml 手动调整模型和数据增强的超参数
  6. –optimizer 模型优化器选择，默认 SGD，可从这三个里面进行选择[‘SGD’, ‘Adam’, ‘AdamW’]
  7. –image-weights 测试过程中，图像的那些测试地方不太好，对这些不太好的地方加权重

可参考一下链接，如果有参数名称找不到，需要自行查看一下train.py文件中的keyword ，名字可能有所改动。(列如：–cache-images 更改为了 --cache)

NOTE: 当使用 --multi-scale 参数时 需要预留足够的GPU显存，不然会导致GPU内存溢出。

yolov5 训练经验记录

数据增强超参数调整:

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Hyperparameters for high-augmentation COCO training from scratch
# python train.py --batch 32 --cfg yolov5m6.yaml --weights '' --data coco.yaml --img 1280 --epochs 300
# See tutorials for hyperparameter evolution https://github.com/ultralytics/yolov5#tutorials

lr0: 0.01  # initial learning rate (SGD=1E-2, Adam=1E-3)
lrf: 0.1  # final OneCycleLR learning rate (lr0 * lrf)
momentum: 0.937  # SGD momentum/Adam beta1
weight_decay: 0.0005  # optimizer weight decay 5e-4
warmup_epochs: 3.0  # warmup epochs (fractions ok)
warmup_momentum: 0.8  # warmup initial momentum
warmup_bias_lr: 0.1  # warmup initial bias lr
box: 0.05  # box loss gain
cls: 0.3  # cls loss gain
cls_pw: 1.0  # cls BCELoss positive_weight
obj: 0.7  # obj loss gain (scale with pixels)
obj_pw: 1.0  # obj BCELoss positive_weight
iou_t: 0.20  # IoU training threshold
anchor_t: 4.0  # anchor-multiple threshold
# anchors: 3  # anchors per output layer (0 to ignore)
fl_gamma: 0.0  # focal loss gamma (efficientDet default gamma=1.5)
hsv_h: 0.015  # image HSV-Hue augmentation (fraction)
hsv_s: 0.7  # image HSV-Saturation augmentation (fraction)
hsv_v: 0.4  # image HSV-Value augmentation (fraction)
degrees: 90.0  # image rotation (+/- deg)
translate: 0.1  # image translation (+/- fraction)
scale: 0.9  # image scale (+/- gain)
shear: 0.5  # image shear (+/- deg)
perspective: 0.0  # image perspective (+/- fraction), range 0-0.001
flipud: 0.2  # image flip up-down (probability)
fliplr: 0.5  # image flip left-right (probability)
mosaic: 1.0  # image mosaic (probability)
mixup: 0.3  # image mixup (probability)
copy_paste: 0.1  # segment copy-paste (probability)

数据集中出现图片注释不完善

这个问题应该是open image 这个数据集特有的,暂时没在其他数据集上发现。
问题如下，比如我需要检测 人脸 人眉毛和人这三类。但是有些图片中明明有人脸和人的眉毛，数据集却并没有该类的标记，而是仅仅只标记了人出来，这就会导致模型在训练的时候，明明图片中有一个人的眉毛并且模型可以将其识别出来，但是由于没有这个注释导致进行loss计算的正确答案是背景类(而不是眉毛类)。因此噪音多了就会让模型无法学习到真正的眉毛。

其他

yolov5 的模型检测命令

python detect.py --source 
                 --weights
                 --imgsz 1280 
                 --conf-thres 0.05 
                 --iou-thres 0.05
                 --data ./data/customerData.yaml
                 --save-txt
一口气吃五碗饭的阿霖
关注
  • 2
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
Open Images V7 数据集介绍
lansebingxuan的专栏
03-26 818
Open Images是由谷歌发布的一个开源图片数据集，在2022年10月份发布了最新的V7版本。这个版本的数据集包含了900多万张图片，都有类别标记。
用Open Images Dataset V6制作yolo训练数据集(darknet版本)
PhilharmyWang的博客
12-08 2307
Open Images Dataset V6是谷歌开源的一个强大的图像公开数据集，里面包含约 900 万张图像，600个类别。可用于图像分类、对象检测、视觉关系检测、实例分割和多模态图像描述。 下图为该数据集的600个类别： 可在链接中预览某个类别/某个图像任务的标注框。 数据集的详细信息可参考论文：The Open Images Dataset V4: Unified image classification, object detection, and visual relationship det
基于YOLOV5部署比较opencvDNN、ONNX onnxruntime和Openvion的性能（源码）.rar
04-15
1、资源内容：基于YOLOV5部署比较opencvDNN、ONNX onnxruntime和Openvion的性能（源码）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。
yolov5摔倒检测openpose跌倒检测python源码+文档说明（高分项目）.zip
03-28
yolov5摔倒检测openpose跌倒检测python源码+文档说明（高分项目）.zip运行runOpenpose.py 只跑了open pose 可以获得人体的关键点图，用于后续的.jit模型训练 人体的关键点图会保存在data/test中 pose.py中draw方法的最下面可以控制保存关键点图的位置 运行detect.py 会先进行yolo目标检测，检测到人后，detect.py 169 行，加了根据框框的宽高比的判断，后续可自行修改 根据坐标将人的图片扣出给openpose 进行姿态检测 runOpenpose.py 159行 加了一些限制，后续可自行修改 如果想要检测其他姿势： 1.收集图片，跑runOpenpose.py 文件获得人体的关键点图 2.对人体的关键点图根据自己想要的进行分类放在data/train 和 data/test 3.跑 action_detect/train.py yolov5摔倒检测openpose跌倒检测python源码+文档说明（高分项目）.zipyolov5摔倒检测openpose跌倒检测python源码+文档说明（高分项目）.zip
基于Openvino和Opencv部署YOLOv5、YOLOv8、YOLOx模型（源码+说明）.rar
05-09
1、资源内容：基于Openvino和Opencv部署YOLOv5、YOLOv8、YOLOx模型（源码+说明）.rar 2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为“参考资料”参考学习使用。 3、解压说明：本资源需要电脑端使用WinRAR、7zip等解压工具进行解压，没有解压工具的自行百度下载即可。 4、免责声明：本资源作为“参考资料”而不是“定制需求”，代码只能作为参考，不能完全复制照搬。不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试代码并解决报错，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。
人工智能-项目实践-检测-yolov5人体检测+openpose姿态检测 实现摔倒检测.zip
12-23
人工智能-项目实践-检测-yolov5人体检测+openpose姿态检测 实现摔倒检测 运行runOpenpose.py 只跑了open pose 可以获得人体的关键点图，用于后续的.jit模型训练 人体的关键点图会保存在data/test中 pose.py中draw方法的最下面可以控制保存关键点图的位置 运行detect.py 会先进行yolo目标检测，检测到人后，detect.py 169 行，加了根据框框的宽高比的判断，后续可自行修改 根据坐标将人的图片扣出给openpose 进行姿态检测 runOpenpose.py 159行 加了一些限制，后续可自行修改 如果想要检测其他姿势： 1.收集图片，跑runOpenpose.py 文件获得人体的关键点图 2.对人体的关键点图根据自己想要的进行分类放在data/train 和 data/test 3.跑 action_detect/train.py
openimages:下载特定子集
03-05
openimages V6 下载特定的子集。 必填文件 类名： wget 训练/测试/验证图像ID： wget wget wget 从CVDF下载图像的Python脚本 wget 获取图像ID 创建一个包含您要下载的所有图像ID的文本文件 $ python image_list.py -c <subclass> -d <class> -p <image> optional arguments: -h, --help show this help message and exit -c , --classes classes name -d , --description path to descriptions file -p , --annotation path to ann
Open Image 数据集简介
热门推荐
Simon's Blog
10-01 4万+
Google 又放出了一个大新闻： Open Image 图像数据集，包含 900 万张机器标注的 image-level 的图像数据。数据基本来自 flickr，其中验证集经过了人工检校。
目标检测数据集：Open Images Dataset V6 + Extensions 网站获取已经标注好的数据集
qq_39400324的博客
04-11 5053
Open Images Dataset 网站获取已经标注好的数据集一、简介二、数据集说明1.查看数据集2.搜索选项三、数据集下载和使用1.数据集下载2.下载失败3.从谷歌云盘中下载数据4.转化成数据集所需格式 一、简介   Open Images Dataset是一个可以提供免费数据集的网站，里面的数据集提供了目标检测任务、语义分割任务的标签，可以减少我们搜集数据的压力。网址是(需要科学上网)： 二、数据集说明   我们以获取目标检测数据集为例，对于方框中的一个物体，我们记录的是这个方框的左上角坐标(x1
FiftyOne 系列教程（2）使用FiftyOne读取数据集
u014723479的博客
05-17 1404
2.1.2. 在APP中打开操作页面 代码 代码 3. 读取自定义格式数据集 3.1. 可视化VOC数据集 docs.voxel51.com/user guide/dataset creation/datasets.html#vocdetectiondataset import 3.1.1. 格式要求 vc格式的数据仅需要将图像放在data文件夹下，然后将标签放在labels文件夹下 3.1.2. 代码 读取整个数据集文件夹 指定图像和标注的路径 3.1.3. 效果
基于OpenVINO C++API的YOLOv8推理C++示例完整源码+数据（课程设计）.zip
10-22
基于OpenVINO C++API的YOLOv8推理C++示例完整源码+数据（课程设计）.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于OpenVINO C++API的YOLOv8推理C++示例完整源码+数据（课程设计）.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。基于OpenVINO C++API的YOLOv8推理C++示例完整源码+数据（课程设计）.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。基于OpenVINO C++API的YOLOv8推理C++示例完整源码+数据（课程设计）.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。基于OpenVINO C++API的YOLOv8推理C++示例完整源码+数据（课程设计）.zip 已获导师指导并通过的97分的高分课程设
基于YOLOv7训练自己数据集源码+voc转yolo脚本.rar
04-14
1、资源内容：基于YOLOv7训练自己数据集源码+voc转yolo脚本.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。
通过 yolov5 + openpose实现摔倒检测
02-21
通过 yolov5 + openpose实现摔倒检测 需要用的模型文件可以在网盘下载 运行 runOpenpose.py 只跑了open pose 可以获得人体的关键点图，用于后续的.jit模型训练 人体的关键点图会保存在data/test中 pose.py 中draw方法的最下面可以控制保存关键点图的位置 运行 detect.py 会先进行yolo目标检测，检测到人后，detect.py 169 行，加了根据框框的宽高比的判断，后续可自行修改 根据坐标将人的图片扣出给openpose 进行姿态检测 runOpenpose.py 159行 加了一些限制，后续可自行修改 如果想要检测其他姿势： 1.收集图片，跑 runOpenpose.py 文件获得人体的关键点图 2.对人体的关键点图根据自己想要的进行分类放在data/train 和 data/test 3.跑 action_detect/train.py
openvino2022部署最新版yolov5v6.1模型demo
07-06
openvino2022部署最新版yolov5v6.1模型demo openvino 2022.1.0 openvino-dev 2022.1.0 openvino-telemetry 2022.1.1 torch 1.8.1 torchvision 0.9.1
算法部署-使用OpenVINO+C++部署YOLOX+YOLOV5+V8+V9目标检测算法-支持fp32+fp16+int8推理
最新发布
04-26
算法部署_使用OpenVINO+C++部署YOLOX+YOLOV5+V8+V9目标检测算法_支持fp32+fp16+int8推理_项目源码_优质项目实战
基于yolov5+openvino+PyQt5的安全帽检测源码+训练好的模型+数据集+操作使用说明（高分项目）
04-20
基于yolov5+openvino+PyQt5的安全帽检测源码+训练好的模型+数据集+操作使用说明基于yolov5+openvino+PyQt5的安全帽检测源码+训练好的模型+数据集+操作使用说明（高分项目）基于yolov5+openvino+PyQt5的安全帽检测...
算法部署-使用Openvin+Cpp部署YOLOv5目标检测算法-附详细流程教程-优质算法部署项目实战.zip
03-14
算法部署_使用Openvin+Cpp部署YOLOv5目标检测算法_附详细流程教程_优质算法部署项目实战
C# winform openvino部署yolov8目标检测模型源码
01-03
测试环境： vs2019 ...opencvsharp4.8.0 ...注意无需额外安装openvino运行库直接可以运行 博客地址： blog.csdn.net/FL1623863129/article/details/135373600 视频演示： bilibili.com/video/BV1Pi4y1z7H3/
详细配置django+yolov5
06-02
好的，下面我将为你详细介绍如何在 Django 中配置 YOLOv5 模型进行目标检测。 1. 安装必要的 Python 库 首先，你需要安装必要的 Python 库，包括 Django、PyTorch 和 torchvision。你可以使用 pip 命令来安装它们： ``` pip install django torch torchvision ``` 2. 下载 YOLOv5 的代码和权重文件 你可以从 YOLOv5 的官方 GitHub 仓库中下载代码和权重文件：https://github.com/ultralytics/yolov5 你可以将下载的代码和权重文件放在 Django 项目的某个目录下。在本例中，我们将它们放在项目根目录下的 `yolov5` 目录中。 3. 创建 Django 视图函数 在 Django 项目中创建一个视图函数来处理目标检测请求。以下是一个可以帮助你开始编写代码的示例： ```python import torch import torchvision.transforms as transforms from PIL import Image from django.http import JsonResponse from yolov5.models.experimental import attempt_load from yolov5.utils.general import non_max_suppression def detect(request): # 加载模型 weights = 'yolov5/weights/yolov5s.pt' device = torch.device('cpu') model = attempt_load(weights, map_location=device) model.eval() # 处理图像 image = request.FILES.get('image') img = Image.open(image) img_tensor = transforms.ToTensor()(img) # 进行推理 with torch.no_grad(): results = model([img_tensor])[0] results = non_max_suppression(results, 0.5, 0.5) # 处理结果 detections = [] for result in results: for detection in result: detections.append({ 'label': detection[-1], 'confidence': detection[-2], 'bbox': detection[:4].tolist(), }) # 返回结果 return JsonResponse({'detections': detections}) ``` 在上面的代码中，我们首先加载 YOLOv5 模型和权重，然后获取传递给视图函数的图像。接下来，我们将图像转换为 PyTorch 张量，并将其传递给模型进行推理。最后，我们将检测结果处理为 JSON 格式，并将其返回给客户端。 4. 配置 Django 路由 最后，你需要在 Django 项目中配置路由来将请求路由到上述视图函数。以下是一个示例路由配置： ```python from django.urls import path from . import views urlpatterns = [ path('detect/', views.detect, name='detect'), ] ``` 在上面的代码中，我们将 `/detect/` 路径映射到名为 `detect` 的视图函数。 5. 运行 Django 项目并进行测试 现在，你可以运行 Django 项目并通过发送图像文件的 POST 请求来测试目标检测功能。你可以使用 Postman 等工具来测试，也可以编写一个简单的 HTML 表单来测试。 以下是一个 HTML 表单示例： ```html <html> <body> <form method="POST" enctype="multipart/form-data" action="http://localhost:8000/detect/"> {% csrf_token %} <input type="file" name="image"> <button type="submit">提交</button> </form> </body> </html> ``` 在上面的代码中，我们创建了一个包含文件选择器和提交按钮的 HTML 表单，并将其提交到 `/detect/` 路径。你需要将 `action` 属性设置为你的 Django 项目的 URL。 当你提交表单后，Django 项目将会返回 JSON 格式的检测结果。你可以根据需要对其进行处理和显示。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值