YOLOV5項目復(fù)現(xiàn)

• • 一弄兜、YOLOv5 實現(xiàn)檢測
  • • 1.1 下載源碼
    • 1.2 下載官方模型(.pt文件)
    • 1.3 配置虛擬環(huán)境
    • 1.4 進行測試
  • 二我碟、YOLOV5 實現(xiàn)訓(xùn)練
  • • 2.1 首先是準(zhǔn)備數(shù)據(jù)集
    • 2.2 文件修改
    • • 2.2.1 修改數(shù)據(jù)集方面的yaml文件
      • 2.2.2 修改網(wǎng)絡(luò)參數(shù)方面的yaml文件
      • 2.2.3 修改train.py中的一些參數(shù)
    • 2.3開始訓(xùn)練
    • 2.4 昔搂？
  • 三印衔、個人對于yolov5的看法

首先說一下軟硬件配置這一塊：win10 + i7-9700kf + rtx2070Super + cuda10.2 + anaconda

image.png

一肌幽、YOLOv5 實現(xiàn)檢測

1.1 下載源碼

進入官方地址稚瘾，進行源碼下載 https://github.com/ultralytics/yolov5[大概4M左右]

1.2 下載官方模型(.pt文件)

文中作者是把模型都放到了谷歌網(wǎng)盤里了，如果沒有梯子砰诵，訪問會很慢–>>作者給的模型地址

1.3 配置虛擬環(huán)境

虛擬環(huán)境的優(yōu)點不再闡述
創(chuàng)建虛擬環(huán)境：

conda create -n yolov5 python==3.7，**在yolov5中盡量用python3.7**捌显。

進 入 環(huán) 境 ：

conda activate yolov5

再安裝所需庫：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt(使用清華鏡像源)

在pip install的時候茁彭，可能會出現(xiàn)read timeout的情況，你需要更換鏡像源扶歪，或者多執(zhí)行幾次pip install理肺，如果還有其他報錯，請留言評論區(qū)善镰，我會及時回復(fù)妹萨，因為我在安裝的時候也報了一些錯，但是都沒有記錄下來

1.4 進行測試

在這里插入圖片描述

運行測試文件: python detect.py --source 0 【0:是指定的本機攝像頭】PS:我特么的竟然一次運行成功树姨，多少是挺失望
下圖是下載pt文件

image.png

↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓雷霆嘎巴↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓
↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓ZBC↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓

在這里插入圖片描述

在這里插入圖片描述

在這里插入圖片描述

二摩桶、YOLOV5 實現(xiàn)訓(xùn)練

2.1 首先是準(zhǔn)備數(shù)據(jù)集

★ 數(shù)據(jù)集的準(zhǔn)備工作，我以前的博客有細(xì)寫過帽揪，—>>傳送門
★ 數(shù)據(jù)集準(zhǔn)備好后硝清，一定先確保label和JPEGImages這兩個文件夾在同一目錄里
[圖片上傳失敗...(image-51eb0c-1613616264582)]

2.2 文件修改

2.2.1 修改數(shù)據(jù)集方面的yaml文件

作者是把以前用的.data、.names文件合并到了data/coco.yaml中转晰，打開coco.yaml進行修改

# COCO 2017 dataset http://cocodataset.org
# Download command: bash yolov5/data/get_coco2017.sh
# Train command: python train.py --data ./data/coco.yaml
# Dataset should be placed next to yolov5 folder:
#   /parent_folder
#     /coco
#     /yolov5

# 這些是生成的圖片的路徑文件芦拿，這里是我自己的路徑，需要修改成你自己的路徑挽霉，絕對路徑也ok
train: ../coco/2007_train.txt  # 118k images
val: ../coco/2007_val.txt  # 5k images
test: ../coco/2007_test.txt  # 20k images for submission to https://competitions.codalab.org/competitions/20794

# 你數(shù)據(jù)集的類別數(shù)
nc: 1

# 類別的名稱
names: ['cell phone']

# Print classes
# with open('data/coco.yaml') as f:
#   d = yaml.load(f, Loader=yaml.FullLoader)  # dict
#   for i, x in enumerate(d['names']):
#     print(i, x)

2.2.2 修改網(wǎng)絡(luò)參數(shù)方面的yaml文件

這個相當(dāng)于以前版本的.cfg文件防嗡，在models/yolov3-spp.yaml【當(dāng)然，你想用哪個模型就去修改對應(yīng)的yaml文件】

# parameters
nc: 1  # 數(shù)據(jù)集類別數(shù)
depth_multiple: 1.0  # expand model depth
width_multiple: 1.0  # expand layer channels

# anchors【你也可以使用k-means去產(chǎn)出你自己數(shù)據(jù)集的anchors】
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# darknet53 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2
   [-1, 1, Bottleneck, [64]],
   [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4
   [-1, 2, Bottleneck, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 5-P3/8
   [-1, 8, Bottleneck, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 7-P4/16
   [-1, 8, Bottleneck, [512]],
   [-1, 1, Conv, [1024, 3, 2]], # 9-P5/32
   [-1, 4, Bottleneck, [1024]],  # 10
  ]

# yolov3-spp head
# na = len(anchors[0])
head:
  [[-1, 1, Bottleneck, [1024, False]],  # 11
   [-1, 1, SPP, [512, [5, 9, 13]]],
   [-1, 1, Conv, [1024, 3, 1]],
   [-1, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [1024, 3, 1]],
   [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 16 (P5/32-large)

   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 8], 1, Concat, [1]],  # cat backbone P4
   [-1, 1, Bottleneck, [512, False]],
   [-1, 1, Bottleneck, [512, False]],
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [512, 3, 1]],
   [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 24 (P4/16-medium)

   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P3
   [-1, 1, Bottleneck, [256, False]],
   [-1, 2, Bottleneck, [256, False]],
   [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1]],  # 30 (P3/8-small)

   [[], 1, Detect, [nc, anchors]],   # Detect(P3, P4, P5)
  ]

2.2.3 修改train.py中的一些參數(shù)

train.py在根目錄里侠坎，修改一些主要的參數(shù)蚁趁，奧利給

parser.add_argument('--epochs', type=int, default=200)  # 訓(xùn)練的epoch
parser.add_argument('--batch-size', type=int, default=16)  # batch_size 顯卡垃圾的話，就調(diào)小點
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='*.cfg path')
parser.add_argument('--data', type=str, default='data/coco.yaml', help='*.data path')
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='train,test sizes')

2.3開始訓(xùn)練

直接 python train.py 就Ok了

成功訓(xùn)練如圖所示
[圖片上傳失敗...(image-b97001-1613616264581)]

↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓無情哈拉少↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓

在這里插入圖片描述

在這里插入圖片描述

2.4 实胸？

等它訓(xùn)練完就沒問題了他嫡，但是還是要時不時看一眼，具體看什么庐完，我也不知道呀钢属，反正是看就完事兒了????????????????????????????????

都訓(xùn)練完了，測試的話门躯，就不用再說的吧淆党，阿sir，

三讶凉、個人對于yolov5的看法

先說一個情況吧染乌，我在復(fù)現(xiàn)yolov4時，使用1080p的攝像頭進行測試的時候懂讯，檢測的幀率只有1.7fps（在我的rtx2070s顯卡上）荷憋，不管我如何調(diào)整cfg文件里的寬高，基本都無濟于事褐望，然后我用480p的攝像頭才可以達到20fps勒庄，不要搞我啊，阿sir,現(xiàn)在攝像頭基本都是在1080p檢測的啊瘫里，480p怎么能滿足Ｊ当巍！＝鞫痢Ｑ涡搿！我不知道為什么圖像在相同的cfg參數(shù)下，分辨率對檢測速度影響會這么大贼邓。但是阶冈，啊，但是塑径，我在用yolov5的時候女坑，用1080P就可以達到實時，最主要的是yolov5的模型非常小统舀，比yolo的前幾個系列小了大概4倍匆骗，非常適合做嵌入。對于yolov5誉简，雖然是作者自封的碉就，但是非常達到我心里的預(yù)期！Ｃ拼瓮钥！，不吹不黑烹吵，yolov5是我遇到最牛啤的目標(biāo)檢測算法碉熄，你說呢，你是不是也這么感覺的呢

在這里插入圖片描述