无脑使用matlab运行YOLOv5模型，实现目标检测

最新推荐文章于 2025-04-21 18:31:43 发布
最新推荐文章于 2025-04-21 18:31:43 发布
阅读量2.6k 收藏 23
点赞数 14
分类专栏： MATLAB项目实战 文章标签： matlab YOLO 目标检测
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_44779079/article/details/143782038
版权

在这里插入图片描述

文章目录

前言

YOLO 是一种经典的一阶段目标检测算法，它将检测问题转化为回归问题。与 Faster R-CNN 不同，YOLO 不是提取 RoI,而是直接通过回归的方法生成每个类的边界框坐标和概率。与 Faster R-CNN相比，大大提高了检测速度。Glenn Jocher 于 2020年提出了 YOLO 的第五个版本，命名为 YOLOv5，其网络结构主要分为骨干模块、颈部模块和头部模块。主干模块基于Focus、BottleneckCSP(跨阶段部分网络)和空间金字塔池，并将其传输到颈部模块。颈部模块基于PANet(路径聚合网络)生成特征金字塔。它通过双向融合低级空间特征和高级语义特征来增强检测不同尺度物体的能力。头部模块通过将锚框应用于来自颈部模块的多尺度特征图来生成检测框、类别信息、坐标和置信度。也有使用matlab完成YOLOv5目标检测，本文将参考 cuixing158 作者的源码，giehub地址为： yoloV5-yoloX-matlab。

在这里插入图片描述
重点重点重点：为了代码运行不报错，安装 matlab 版本为 2021 及以上版本。
matlab安装教程大家可以参考这个教程： 手把手教你安装matlab软件

代码

运行效果如下：
在这里插入图片描述

我修改好的代码如下，直接复制即可运行，并解决运行会报错的问题解决一下，我也会把源码包放到公众号，末尾领取资料即可。代码整体流程是：

  1. 模型加载与初始化：

    加载预训练的YOLOv5模型（yolov5s.onnx）。
    设置相关参数，如输入尺寸（640x640）、阈值（0.3，0.5）。

  2. 图像读取与显示：

    读取待检测的图像（‘images/2.jpg’）并显示原图。

  3. 图像预处理：

    对图像进行大小调整（imresize）， 将图像像素值缩放至[0,1]范围等

  4. 模型推理：

    使用feval函数进行模型的前向推理，得到检测结果（outs），包括多个检测头的输出。

  5. 解码YOLOv5输出：

    对YOLOv5的输出进行解码，得到每个检测框的坐标、置信度以及类别信息。

  6. 阈值过滤和非极大值抑制（NMS）：

    过滤掉低置信度的检测框，对过滤后的检测框进行NMS处理，去除重叠较大的检测框，只保留最强的框。

修改好的代码如下：

model = "./yolov5s.onnx";
customYoloV5FcnName = 'yolov5fcn';
inputSize = [640,640];
throushHold = 0.3;
nmsThroushHold = 0.5;
outs = cell(3,1); % 3个检测head输出
classesNames = categorical(readlines("coco.names"));
colors = randi(255,length(classesNames),3);
params = importONNXFunction(model,customYoloV5FcnName);


image = imread('images/2.jpg');  % 修改为你需要识别的图片路径
imshow(image);
title('原始图像');

[H,W,~] = size(image);

% 图像预处理
img = imresize(image, inputSize);
img = rescale(img, 0, 1);  % 转换到[0,1]
img = permute(img, [3,1,2]);  % 改变维度顺序为 [C,H,W]
img = dlarray(reshape(img, [1, size(img)])); % n*c*h*w，[0,1],RGB顺序
if canUseGPU()
    img = gpuArray(img);
end

t1 = tic;
[outs{:}] = feval(customYoloV5FcnName, img, params, ...
    'Training', false, ...
    'InputDataPermutation', 'none', ...
    'OutputDataPermutation', 'none');  % 预测图像
fprintf('yolov5预测耗时：%.2f 秒\n', toc(t1));

outFeatures = yolov5Decode(outs, H, W);

%% 阈值过滤+NMS处理


scores = outFeatures(:, 5);
% 阈值过滤：只保留大于阈值的框
validIdxs = scores > throushHold;
outFeatures = outFeatures(validIdxs, :); 

% 提取边界框和对应的类别信息
allBBoxes = outFeatures(:, 1:4);
[maxScores, indxs] = max(outFeatures(:, 6:end), [], 2);
allScores = maxScores;
allLabels = classesNames(indxs);

% 如果存在有效边界框，则进行NMS非极大值抑制
if ~isempty(allBBoxes)
    [bboxes, nmsScores, labels] = selectStrongestBboxMulticlass(allBBoxes, allScores, allLabels, ...
        'RatioType', 'Min', 'OverlapThreshold', nmsThroushHold);
    annotations = string(labels) + ": " + string(nmsScores);
    % 获取类别ID并为每个类别分配颜色
    [~, ids] = ismember(labels, classesNames);
    color = colors(ids, :);
    image = insertObjectAnnotation(image, 'rectangle', bboxes, cellstr(annotations), ...
        'Color', color, 'LineWidth', 3);
end



% 显示结果图像
imshow(image);
title('检测结果图像');


function outPutFeatures = yolov5Decode(featuremaps, oriHight, oriWidth, anchors)
    arguments
        featuremaps (:,1) cell
        oriHight (1,1) double
        oriWidth (1,1) double
        anchors (:,2) double = [10,13; 16,30; 33,23;...
            30,61; 62,46; 59,119;...
            116,90; 156,198; 373,326]
    end
    %% yolov5*.onnx known params
    inputSize = 640;  % 输入网络图像大小，正方形图像输入
    na = 3;           % 每个检测head对应anchor的数量
    nc = 80;          % coco类别数量

    %% decode
    scaledX = inputSize./oriWidth;
    scaledY = inputSize./oriHight;
    outPutFeatures = [];
    numberFeaturemaps = length(featuremaps);

    for i = 1:numberFeaturemaps
        currentFeatureMap = featuremaps{i};  % bs*[(4+1+nc)*na]*h*w大小
        currentAnchors = anchors(na*(i-1)+1:na*i, :);  % na*2
        numY = size(currentFeatureMap, 3);
        numX = size(currentFeatureMap, 4);
        stride = inputSize ./ numX;

        % reshape currentFeatureMap到有意义的维度，bs*[(4+1+nc)*na]*h*w --> h*w*(5+nc)*na*bs
        % --> bs*na*h*w*(5+nc),最终的维度方式与yolov5官网兼容
        bs = size(currentFeatureMap, 1);
        h = numY;
        w = numX;
        disp(size(currentFeatureMap));
        currentFeatureMap = reshape(currentFeatureMap, bs, 5 + nc, na, h, w);  % bs*(5+nc)*na*h*w
        currentFeatureMap = permute(currentFeatureMap, [1, 3, 4, 5, 2]);  % bs*na*h*w*(5+nc)

        [~,~,yv,xv] = ndgrid(1:bs, 1:na, 0:h-1, 0:w-1);  % yv, xv大小都为bs*na*h*w，注意顺序，后面做加法维度标签要对应
        gridXY = cat(5, xv, yv);  % 第5维上扩展，大小为bs*na*h*w*2, x,y从1开始的索引
        currentFeatureMap = sigmoid(currentFeatureMap);  % yolov5是对所有值进行归一化，与yolov3/v4不同
        currentFeatureMap(:,:,:,:,1:2) = (2 * currentFeatureMap(:,:,:,:,1:2) - 0.5 + gridXY) .* stride;  % 大小为bs*na*h*w*2,预测对应xy
        anchor_grid = reshape(currentAnchors, 1, na, 1, 1, 2);  % 此处anchor_grid大小为1*na*1*1*2，方便下面相乘
        currentFeatureMap(:,:,:,:,3:4) = (currentFeatureMap(:,:,:,:,3:4) * 2).^2 .* anchor_grid;  % 大小为bs*na*h*w*2

        if nc == 1
            currentFeatureMap(:,:,:,:,6) = 1;
        end
        currentFeatureMap = reshape(currentFeatureMap, bs, [], 5 + nc);  % bs*N*(5+nc)

        if isempty(outPutFeatures)
            outPutFeatures = currentFeatureMap;
        else
            outPutFeatures = cat(2, outPutFeatures, currentFeatureMap);  % bs*M*(5+nc)
        end
    end

    %% 坐标转换到原始图像上
    % [cx, cy, w, h]，yolov5.onnx基准图像大小（1*3*640*640）----> [x, y, w, h], 坐标基于原始图像大小（1*3*oriHight*oriWidth）

    outPutFeatures = extractdata(outPutFeatures);  % bs*M*(5+nc), 为[x_center, y_center, w, h, Pobj, p1, p2,..., pn]
    outPutFeatures(:,:,[1,3]) = outPutFeatures(:,:,[1,3]) ./ scaledX;  % x_center, width
    outPutFeatures(:,:,[2,4]) = outPutFeatures(:,:,[2,4]) ./ scaledY;  % y_center, height
    outPutFeatures(:,:,1) = outPutFeatures(:,:,1) - outPutFeatures(:,:,3) / 2;  % x
    outPutFeatures(:,:,2) = outPutFeatures(:,:,2) - outPutFeatures(:,:,4) / 2;  % y

    outPutFeatures = squeeze(outPutFeatures);  % 如果是单张图像检测，则输出大小为M*(5+nc)，否则是bs*M*(5+nc)
    if (canUseGPU())
        outPutFeatures = gather(outPutFeatures);  % 推送到CPU上
    end
end

报错解决方法

第一次运行可能会报错
在这里插入图片描述
只需双击 onnxconverter.mlpkginstall 文件安装就行，安装页面需要登录邮箱，没有邮箱注册一个就行，我用的是qq邮箱。
在这里插入图片描述

缺点

目前还不能更换自己训练的模型，也可能作者是在旧版本yolov5中实现的，自己尝试更换，但是会出现很多目标框，还得向大佬学习matlab。

总结

我也会把源码包放到公众号，回复“matlab-yolov5”即可获取源码，关注我，带你不挂科！！！

在这里插入图片描述

YOLO魔改之ARC-AM-YOLO目标检测模型（Python和MATLAB代码实现）
hasakie的博客
03-26 178
​形状自适应卷积：ARConv动态调整卷积核形状，提升不同长宽比目标的检测能力​多级特征融合：改进的跳跃连接结构保留更多细节信息​双重注意力机制：CBAM模块有效抑制背景干扰。
基于YOLO的车辆目标检测实现（附带MATLAB代码）
2301_79331230的博客
09-13 334
YOLO（You Only Look Once）是一种流行的实时目标检测算法，它能够快速准确地检测图像中的不同目标，并给出它们的边界框和类别标签。在本篇文章中，我们将介绍如何使用YOLO算法在MATLAB中实现车辆目标检测，并附上相应的源代码。在本例中，我们将使用YOLOv3算法，并下载其预训练权重文件。通过以上步骤，我们成功地在MATLAB中实现了基于YOLO的车辆目标检测。我们将使用一个示例图像进行演示，但你可以将其替换为你自己的图像。以上代码将在原始图像上绘制检测到的车辆目标边界框，并显示结果图像。
在matlab上部署yolov8目标检测模型的源码+模型+说明（下载即用）
01-08
在matlab上部署yolov8目标检测模型的源码+模型+说明（下载即用），个人研三设计项目、经导师指导并认可通过的高分设计项目，评审分99分，代码完整确保可以运行，小白也可以亲自搞定，主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者，也可作为课程设计、期末大作业和毕业设计。 在matlab上部署yolov8目标检测模型的源码+模型+说明（下载即用）在matlab上部署yolov8目标检测模型的源码+模型+说明（下载即用）在matlab上部署yolov8目标检测模型的源码+模型+说明（下载即用）在matlab上部署yolov8目标检测模型的源码+模型+说明（下载即用）在matlab上部署yolov8目标检测模型的源码+模型+说明（下载即用）在matlab上部署yolov8目标检测模型的源码+模型+说明（下载即用）在matlab上部署yolov8目标检测模型的源码+模型+说明（下载即用）在matlab上部署yolov8目标检测模型的源码+模型+说明（下载即用）在matlab上部署yolov8目标检测模型的源码+模型+说明（下载即用）在matlab上部署yolov8目标
在matlab上部署yolov8目标检测模型的源码+模型+项目说明.zip
08-08
环境要求： MATLAB R2024a or later Computer Vision Toolbox Deep Learning Toolbox Deep Learning Toolbox Converter for ONNX Model Format (可选) Visual Studio C++ compiler for training on Windows (可选) MATLAB Coder for code generation (可选 GPU Coder for code generation
matlab实现YOLOV3车辆识别目标识别
08-06
程序是基于Matlab实现的，对于初学者，通俗易懂，直接下载就可以用，如果电脑的GPU性能不佳的情况下，利用Matlab可以实现YOLOV3的算法对目标识别。
yolov5模型部分源码解读
weixin_45054622的博客
07-11 766
对于model部分，我们首先看model的配置文件 模型解析 为了突出重点，我把一些日志输出相关部分，给删去了 Detect类 model类 了解完了模型配置和解析，那么接下来就可以看看yolo网络了，对其进行了部分删减...
yoloV5-matlab:简单的推理代码，只需运行 demo.mlx-matlab开发
05-31
Import yolov5*.onnx for inference, including yolov5s.onnx, yolov5m.onnx, yolov5l.onnx, yolov5x.onnx, the original output dimension is 1*255*H*W(Other dimension formats can be slightly modified), import (importONNXFunction) + detection in matlab Head decoding output. 导入yolov5*.onnx进行推理（inference），包括yolov5s.onnx,yolov5m.onnx,yolov5l.onnx,yolov5x.onnx,其原始输出维度为1*255*H*W(其他维度形式可稍作修改), 在matlab中导入(impor
基于YOLOv5的目标检测系统详解（附MATLAB GUI版代码）
热门推荐
思绪无限的博客
05-04 2万+
本文重点介绍了基于YOLOv5目标检测系统的MATLAB实现，用于智能检测物体种类并记录和保存结果，对各种物体检测结果可视化，提高目标识别的便捷性和准确性。本文详细阐述了目标检测系统的原理，并给出MATLAB的实现代码、预训练模型，以及GUI界面设计。基于YOLOv5目标检测算法，在界面中可以选择各种图片、文件夹、视频进行检测识别。博文提供了完整的MATLAB代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。
yolo算法MATLAB程序
01-14
yolo算法移植成matlab，权值文件需要自己下载（在官网），然后转成txt读取，主函数是detect_and_draw4，自己写的第一个代码，比较粗糙，但又懒得改哈哈，如果有优化的建议就私信我呀
matlab人头检测的代码-yoloV5-onnx-matlab:简单的推理代码，只需运行demo.mlx
05-24
matlab人头检测的代码概述 导入yolov5 * .onnx进行推断，包括yolov5s.onnx ， yolov5m.onnx ， yolov5l.onnx ， yolov5x.onnx ，原始输出尺寸为1×255×H×W（其他尺寸格式可以稍作修改），然后导入（importONNXNXFunction ）+在matlab Head解码输出中进行检测。 要求 Matlab R2021a或更高版本（因为某些操作员设置的onnx版本需要支持最多12个），所以越新越好，没有其他依赖项！！！ 预训练模型 百度盘：，代码：nseh 参考
基于Matlab编写的Yolo算法行人检测系统
2301_79809972的博客
05-18 851
一、项目背景与意义在当前的视频监控和安全监控领域，对行人进行准确、高效的检测是至关重要的。传统的行人检测方法主要依赖于人工观察，这种方式存在实时性差、工作量大、易疲劳等问题。为了解决这些问题，本项目基于Matlab编程环境和Yolo（You Only Look Once）算法，开发了一套行人检测系统。该系统能够实时、准确地检测图像或视频中的行人目标，为视频监控和安全监控领域提供了一种新的解决方案。
Matlab-YOLOv2-LiveTracking-master.zip
11-07
Matlab-YOLOv2-LiveTrackingMatlab-YOLOv2-LiveTracking，实时识别跟踪，可用
yolomatlab.zip
09-27
matlab平台yolo算法，需至yolo官网下载权值文件，主程序为detect_and_draw4
matlab目标检测yolo,YOLO目标检测快速上手
weixin_42528780的博客
03-20 3484
介绍YOLO是基于深度学习端到端的实时目标检测系统，YOLO将目标区域预测和目标类别预测整合于单个神经网络模型中，实现在准确率较高的情况下快速目标检测与识别，更加适合现场应用环境。本案例，我们快速实现一个视频目标检测功能，实现的具体原理我们将在单独的文章中详细介绍。下载编译我们首先下载Darknet开发框架，Darknet开发框架是YOLO大神级作者自己用C语言编写的开发框架，支持GPU加速，有两...
MATLAB 训练CNN模型 yolo v4
最新发布
jaz的专栏
04-21 419
matlab使用早期CNN进行模型训练和调用展示
理解YOLO后处理操作：基于MATLAB实现
hughieu的博客
09-29 1650
本文旨在介绍在MATLAB中实现已训练好的神经网络模型的过程，帮助同学们梳理神经网络的计算步骤。这些步骤不仅对于在PC以外的其他平台部署神经网络有一定的指导意义，也能帮助那些对深度学习不太了解的同学更好地理解深度学习模块所执行的具体操作及其实现方式。选择MATLAB作为工具，是因为其语法相对简单，并且在学术界和大学中得到广泛应用，适合初学者入门。
yolo能用matlab实现,使用 YOLO v2 深度学习进行目标检测
weixin_30569923的博客
03-19 2845
下载预训练的检测器下载预训练的检测器，避免在训练上花费时间。如果要训练检测器，请将 doTraining 变量设置为 true。doTraining = false;if ~doTraining && ~exist('yolov2ResNet50VehicleExample_19b.mat','file')disp('Downloading pretrained detector ...
关于将yolov5导入matlab报错的问题
Trouble_Im_in的博客
05-22 754
使用importONNXFunction将yolov5导入matlab报错的问题
matlab yolov8
02-25
### 使用YOLOv8进行目标检测 目前官方支持的YOLO版本在MATLAB中主要集中在YOLOv3以及更早版本[^1]。然而，社区和第三方开发者可能已经提供了针对YOLOv8的支持工具包或接口。对于希望利用最新YOLO架构（如YOLOv8）执行对象检测任务的研究者而言，通常有两种方法可以考虑： #### 方法一：通过ONNX模型转换实现YOLOv8集成 由于MathWorks尚未直接提供对YOLOv8原生支持，一种可行方案是从其他框架导出训练好的YOLOv8模型至中间表示形式(Intermediate Representation, IR)，比如ONNX格式，再将其导入到MATLAB环境中用于推理。 具体操作如下所示: 1. 导入必要的库并加载预训练YOLOv8 ONNX模型。 2. 准备输入图像数据集。 3. 执行前向传播计算得到预测边界框与类别置信度分数。 4. 应用非极大抑制(NMS)算法筛选最终输出结果。 ```matlab % 加载ONNX模型 net = onnximport('yolov8.onnx'); % 假设img为待处理的一张图片变量 inputSize = net.Layers(1).InputSizes; processedImg = imresize(img,inputSize); % 进行推断 scores = predict(net, processedImg); ``` 此部分代码仅作为概念验证展示，并未完全覆盖整个流程细节，实际应用时需参照官方文档调整参数配置以匹配特定需求。 #### 方法二：调用Python API间接完成YOLOv8部署 另一种方式是借助MATLAB内置的`py.`命令来桥接Python环境中的YOLOv8实现。这种方法允许研究者充分利用已有的成熟解决方案而无需自行移植网络结构。 下面给出一段简单的例子说明如何设置跨语言交互过程： ```matlab % 初始化Python解释器及其依赖项 if ~isdeployed pyenv('Version', 'C:\path\to\your\python.exe'); end % 添加ultralytics仓库路径以便访问YOLOv8类定义 addPyPath = fullfile('D:', '\UltraLytics', 'ultralytics'); py.sys.path.insert(int32(0), addPyPath); % 创建YOLO实例并与之互动 detector = py.ultralytics.YOLO('yolov8n.pt'); results = detector.predict(py.array({imread('test.jpg')})); % 解析返回的结果... for i=1:length(results) disp(char(results{i}.boxes.cls)); end ``` 上述脚本片段展示了怎样建立连接、加载权重文件以及获取测试样本上的识别成果。需要注意的是，这里假设读者具备一定的Python编程基础并且熟悉安装额外软件包的过程。
评论 2
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

打赏作者

挂科边缘

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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