YOLOV5实战（pycharm)-以口罩检测为例

最新推荐文章于 2024-04-26 23:14:09 发布

卿云阁

最新推荐文章于 2024-04-26 23:14:09 发布

阅读量3.8k

点赞数 5

分类专栏：人工智能文章标签： tensorflow python 深度学习

本文链接：https://blog.csdn.net/zzqingyun/article/details/125685863

版权

人工智能专栏收录该内容

41 篇文章 17 订阅

订阅专栏

🌞欢迎来到机器学习的世界
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

🌟本文由卿云阁原创！

🌠本阶段属于练气阶段，希望各位仙友顺利完成突破

📆首发时间：🌹2021年7月8日🌹

✉️希望可以和大家一起完成进阶之路！

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

目录

🍈 四种网络结构的介绍

🍉下载代码并配置环境

🍊准备数据集

🍋添加数据配置文件

🍏下载预训练模型

🍐修改train.py的参数

🍑开始训练

🍒模型测试

🍈 四种网络结构的介绍

Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。

Yolov5代码中的四种网络，和之前的Yolov3，Yolov4中的cfg文件不同，都是以yaml的形式来呈现。且四个文件的内容基本上都是一样的，只有最上方的depth_multiple和width_multiple两个参数不同。

四种结构就是通过上面的两个参数，来进行控制网络的深度和宽度。其中depth_multiple控制网络的深度，width_multiple控制网络的宽度。

🍉下载代码并配置环境

项目地址：https://github.com/ultralytics/YOLOv5，最近作者又更新了一些代码。
matplotlib>=3.2.2

numpy>=1.18.5

opencv-python>=4.1.2

pillow

PyYAML>=5.3

scipy>=1.4.1

tensorboard>=2.2

torch>=1.6.0

torchvision>=0.7.0

tqdm>=4.41.0
由于我的电脑上没有GPU所以我在其它的平台上租了一个，可以参考这篇文章。

GPU的租用Pycharm连接远程GPU服务器跑深度学习_卿云阁的博客-CSDN博客

🍊准备数据集

采用Labelme标注的数据格式，这里的数据集是我提前准备好的，需要的小伙伴可以下载哦。本文使用的是口罩的数据集，新建一个mydata文件夹，把数据放进去。

链接：https://pan.baidu.com/s/1wrsvXv5-od8ZtlvJCj9zgQ?pwd=0hti
提取码：0hti

数据结构如下图：

images文件夹存放train和val的图片，labels里面存放train和val的物体数据，里面的每个txt文件和images里面的图片是一一对应的。

txt文件的内容如下：

格式：物体类别 x y w h

坐标是不是真实的坐标，是将坐标除以宽高后的计算出来的，是相对于宽和高的比例。

🍋添加数据配置文件

在yolov5/data文件夹下新建data.yaml

内容如下所示：(这里是我用的服务器上的地址）
train: /tmp/pycharm_project_558/dataset/MaskDataSet/train/images
val: /tmp/pycharm_project_558/dataset/MaskDataSet/valid/images

nc: 2
names: ['mask', 'no-mask']
其中：

path：数据集的根目录
train：训练集与path的相对路径
val：验证集与path的相对路径
nc：类别数量，因为这个数据集只有一个类别（fire），nc即为1。
names：类别名字。

🍏下载预训练模型

现在，我们准备好了数据，接下来，下载好预训练模型，即可开始训练了！

预训练模型地址：https://github.com/ultralytics/yolov5/releases

选择你所需要的模型下载即可，这里我选择yolov5m.pt下载。

模型下载完成后，将xx.pt复制在yolov5文件夹下。如下图所示：

🍐修改train.py的参数
fg参数是YoloV5 模型的配置文件，模型的文件存放在models文件夹下面，按照需求填写不同的文件。

weights参数是YoloV5的预训练模型，和cfg对应，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.pt

data是配置数据集的配置文件，我们选用的是voc.yaml，所以配置data/voc.yaml

修改上面三个参数就可以开始训练了，其他的参数根据自己的需求修改。修改后的参数配置如下：

parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')

parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml path')

parser.add_argument('--data', type=str, default='data/voc.yaml', help='data.yaml path')
🍑开始训练

打开命令行，点击train -> Edit Configurations：

在Parameters，输入对应参数命令
--weights yolov5s.pt --data data/data.yaml --workers 1 --batch-size 8 
至此，模型则开始训练

为了方便起见，这里我只训练两次，我们可以看到效果不是很好。

Box：YOLO V5使用 GIOU Loss作为bounding box的损失，Box推测为GIoU损失函数均值，越小方框越准；
Objectness：推测为目标检测loss均值，越小目标检测越准；
Classification：推测为分类loss均值，越小分类越准；
Precision：精度（找对的正类/所有找到的正类）；

Recall：真实为positive的准确率，即正样本有多少被找出来了（召回了多少）。

Recall从真实结果角度出发，描述了测试集中的真实正例有多少被二分类器挑选了出来，即真实的正例有多少被该二分类器召回。

val BOX: 验证集bounding box损失

val Objectness：验证集目标检测loss均值

val classification：验证集分类loss均值

mAP：是用Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值，@0.5:0.95表示阈值取0.5:0.05:0.95后取均值。

mAP@.5:.95（mAP@[.5:.95]）
表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。

mAP@.5：表示阈值大于0.5的平均mAP

一般训练结果主要观察精度和召回率波动情况（波动不是很大则训练效果较好）
然后观察mAP@0.5 & mAP@0.5:0.95 评价训练结果。

训练之后，都会在runs-train文件夹下出现一下文件，如下图：

这里我是租的服务器，所以rus文件夹只出现在服务器上，我们需要把它保存在本地。

客户端 - FileZilla中文网这个工具非常好用强烈推荐

🍒模型测试

模型训练完成后，将runs/exp/weights下的模型（best.pt）复制在yolov5文件夹下。

开始测试
python detect.py --weights best.pt --source ../datasets/data/images/val 
weights:是你训练好的模型的路径，并且weights支持以下几种格式。
--source:是你测试的数据路径
测试结果保存在runs/detect下（如果是在服务器上，也是需要下载到本地的）

但是在服务器上好像不可以通过电脑的摄像头进行测试。