yolov5 环境搭建和模型训练与测试

创建名字叫yolov5的环境，python为3.8版本 

 conda create -n yolov5 python=3.8

 

 PyPI 镜像使用

https://mirrors.tuna.tsinghua.edu.cn/help/pypi/

设置默认镜像：pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

查看CUDA版本

Pytorch官方地址：PyTorch

pip 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

 接着在Yolov5下载地址中把项目下载下来：GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite 

配置环境：pip install -r requirements.txt

修改numpy为最新版本：

模型测试： 

python detect.py

 在yolov5-master工程下的runs/detect/exp下查看测试图片:

准备好视频：将视频按照5秒一帧把帧图保存下来：

代码如下：

videoCaptureSlice.ipynb

import cv2
import matplotlib.pyplot as plt
# 打开视频文件
video = cv2.VideoCapture("./BVN.mp4")
# 读取一帧
ret,frame = video.read()
plt.imshow(frame)
plt.imshow(cv2.cvtColor(frame,cv2.COLOR_BGR2RGB))
video = cv2.VideoCapture("./BVN.mp4")
num = 0 # 计数器
save_step = 5 #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)

 代码文件链接：

然后安装labelImg，在终端输入

conda activate yolov5

pip install labelImg

然后在终端输入labelImg

1. 先点击Open Dir打开images,images存放待标注的图片；
2. 然后点击Change Save Dir存放labels，labels是一个空文件。 
3. 点击View，将Auto Save mode打勾✔

 进行标注：

按W(w)键可以开始标注，然后定位后进行拖拽标注。按A(a)和D(d)键可以上下翻动 

标注好的一张展示：

标注好后将images和labels文件夹里面的文件分别对等的划分成训练集和验证集：

 

datasets文件夹的具体存放位置在yolov5-master的子目录：

 接着复制一份yolov5项目的data文件夹里的coco128.yaml文件，将其内容修改如下，并且命名为bvn.yaml

 准备完毕：可以进行模型训练了！！！！！！！！

训练完毕之后，可以利用tensorboard查看：tensorboard --logdir runs

 在yolov5-master工程下的runs/train/exp下查看训练保存的图片和权重weights:

 

 

模型检测：

import torch

#Model
model = torch.hub.load("./","custom",path="runs/train/exp12/weights/best.pt",source="local")

#Images
img = "./datasets/images/train/30.jpg"

#Inference
results = model(img)

#Results
results.show()

#获取图片array
results.render()[0]

检测效果如下： 

检测视频：

python detect.py --weights runs/train/exp12/weights/best.pt --source datasets/BVN.mp4 --view-img