YOLOv5苹果香蕉检测

YOLOv5水果新鲜程度检测模型

数据集和训练模型下载：

水果检测数据集： https://download.csdn.net/download/zhiqingAI/84861657
YOLOv3水果检测模型： https://download.csdn.net/download/zhiqingAI/85446749
yolov5水果检测模型+pyqt界面：
https://download.csdn.net/download/zhiqingAI/85446671
水果新鲜程度检测数据集：
https://download.csdn.net/download/zhiqingAI/85448544
YOLOv3水果新鲜程度检测模型：
https://download.csdn.net/download/zhiqingAI/85448506
YOLOv5水果新鲜程度检测模型：
https://download.csdn.net/download/zhiqingAI/85455714
YOLOv5水果新鲜程度检测模型+qt界面：
https://download.csdn.net/download/zhiqingAI/85448391

其他cv领域数据集和模型下载：
https://blog.csdn.net/zhiqingAI/article/details/124230743

1、配置环境

安装anaconda3

在D盘新建一个文件夹anaconda3，不建议安装在C盘，然后Anacona官网下载安装包，下载完后右键以管理员运行，按照默认选项安装即可

安装到D盘中的anaconda3文件夹中

勾上，添加环境变量

最后就等着安装好就可以了，大概10分钟左右

在anaconda中创建python虚拟环境

打开anacona终端

打开后是这样的：

然后输出命令： conda create -n py38 python=3.8，回车
其中py38是创建的虚拟环境的名称，可以随意改；python=3.8是python版本，这里我们安准个python3.8版本

输入小写y，回车：

然后激活环境：输入 conda activate py38 ，回车

安装pytorch

进入pytorch官网

确定自己显卡型号以及对应可安装的CUDA版本，比如RTX1050Ti等英伟达显卡通常可以安装cuda11，不是因为英伟达的显卡一般不能安装CUDA，只能安装CPU版本。
这里我们安装pytorch 1.8.1

若有英伟达的显卡(一般都能安装CUDA11.1，不可以具体查看自己显卡支持的CUDA版本)，怎在py38环境中输入命令：

pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html 

等待安装完成即可，安装时间看网速

若没有英伟达的显卡，则安装CPU版本。在py38环境中输入命令：

conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cpuonly -c pytorch

然后回车安装即可，由于我笔记本没有英伟达显卡，这里安装CPU版本的pytorch1.8.1。如下图所示这种情况直接输入小写y后回车即可。安装时间一般会比较久。

安装pycharm（可以安装其他编辑器如vscode，我个人习惯使用pycharm）

进入pycharm官网，下载社区版安装包：

安装包下载完后，右键以管理员身份运行，按默认方式安装即可，需要注意的地方如下：

2、使用训练好的模型进行测试

在pycharm中打开YOLOv5-6.0-bad_fruits项目代码：

打开后为改项目配置解释器，也就是我们安装好的conda中的py38虚拟环境： 依次选择 文件、设置，

接下来就是在安装YOLOv5所需要的包，打开项目文件夹下的requiremes.txt：

接下来打来pycharm自带终端：

输入命令：pip install -r requirements.txt 安装即可，也可以添加清华源安装加速，则输入：

 pip install -r requirements.txt  -i https://pypi.tuna.tsinghua.edu.cn/simple 

回车安装即可

然后使用训练好的权重进行测试，打开detect.py，首先需要修改参数：

def parse_opt():
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs/train/bad_fruits-v5s/weights/best.pt', help='model path(s)')
    parser.add_argument('--source', type=str, default=ROOT / './fruit_bad_dataset/images/train', help='file/dir/URL/glob, 0 for webcam')
    parser.add_argument('--imgsz', '--img', '--img-size', nargs='+', type=int, default=[416], help='inference size h,w')
    parser.add_argument('--conf-thres', type=float, default=0.25, help='confidence threshold')
    parser.add_argument('--iou-thres', type=float, default=0.45, help='NMS IoU threshold')
    parser.add_argument('--max-det', type=int, default=1000, help='maximum detections per image')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--view-img', action='store_true', help='show results')
    parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')
    parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels')
    parser.add_argument('--save-crop', action='store_true', help='save cropped prediction boxes')
    parser.add_argument('--nosave', action='store_true', help='do not save images/videos')
    parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --classes 0, or --classes 0 2 3')
    parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')
    parser.add_argument('--augment', action='store_true', help='augmented inference')
    parser.add_argument('--visualize', action='store_true', help='visualize features')
    parser.add_argument('--update', action='store_true', help='update all models')
    parser.add_argument('--project', default=ROOT / 'runs/detect', help='save results to project/name')
    parser.add_argument('--name', default='exp', help='save results to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    parser.add_argument('--line-thickness', default=3, type=int, help='bounding box thickness (pixels)')
    parser.add_argument('--hide-labels', default=False, action='store_true', help='hide labels')
    parser.add_argument('--hide-conf', default=False, action='store_true', help='hide confidences')
    parser.add_argument('--half', action='store_true', help='use FP16 half-precision inference')
    parser.add_argument('--dnn', action='store_true', help='use OpenCV DNN for ONNX inference')
    opt = parser.parse_args()
    opt.imgsz *= 2 if len(opt.imgsz) == 1 else 1  # expand
    print_args(FILE.stem, opt)
    return opt

如检测单张图片或者视频，可以在运行过程展示结果：

步骤如下：

然后右键运行detect.py即可：

大功告成，结果保存在runs/detect文件夹下