如何使用 Yolo v5 对象检测算法进行自定义对象检测

介绍

在本文中，将向你解释如何使用 Yolo v5 算法检测和分类60+个不同类型的道路交通标志。

我们将从非常基础的开始，涵盖每个步骤，如准备数据集、训练和测试等。在本文中，我们将使用 Windows 10系统。

让我们更多地讨论 YOLO 及其架构。

YOLO 是You Only Look Once的首字母缩写。我们使用的是Ultralytics于2020年6月推出的版本 5，它是目前可用的最先进的目标识别算法。

YOLOv5 是一种新颖的卷积神经网络(CNN)，可以非常准确地实时检测对象。这种方法使用单个神经网络来处理整个图片，然后将其分成多个部分并预测每个部分的边界框和概率。这些边界框由预期概率加权。

该方法“只看一次”图像，因为它仅在一次前向传播通过神经网络后进行预测。然后在非最大抑制之后传递检测到的项目（这确保对象检测算法只识别每个对象一次）。

它的架构主要由三部分组成，即:

1. Backbone： Backbone 主要用于从输入图像中提取关键特征。CSP（Cross Stage Partial Networks）在 YOLO v5 中用作主干，以从输入图像中提取丰富的有用特征。

2. Neck： Neck 主要用于创建特征金字塔。当涉及到对象缩放时，特征金字塔有助于模型泛化。它有助于识别不同大小和比例的同一物体。

特征金字塔在帮助模型有效地处理之前看不见的数据方面是非常有益的。其他模型，如FPN、BiFPN和PANet，使用各种各样的特征金字塔方法。

PANet 在 YOLO v5 中用作 Neck 来获取特征金字塔。

3. Head： 模型Head主要负责最后的检测步骤。它使用锚框来构建具有类别概率、对象性分数和边界框的最终输出向量。

YOLO v5 模型的头部与之前的 YOLO V3 和 V4 版本相同。

Yolo v5 的优缺点

• 它比 YOLOv4 小 88%（27 MB vs 244 MB）

• 它比 YOLOv4 快 180%（140 FPS vs 50 FPS）

• 它在同一任务上大致与 YOLOv4 一样准确（0.895 mAP vs 0.892 mAP）

• 但主要的问题是YOLOv5没有像其他YOLO版本一样发布官方论文。此外，YOLO v5 仍在开发中，我们会经常收到Ultralytics 的更新，未来开发者可能会更新一些设置。

目录

1. 在 Windows 10 中设置虚拟环境。

2. 克隆 Yolo v5 的 GitHub 仓库。

3. 数据集的准备和预处理。

4. 训练模型。

5. 预测和现场测试。

创建虚拟环境

我们将首先通过在 Windows 命令提示符中运行该命令来设置虚拟环境

1.安装Virtual