课程链接: https://www.bilibili.com/video/BV1G24y1G7qm/?spm_id_from=333.788

1.环境安装

Miniconda:https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/

conda create -n yolov5 python=3.8
conda activate yolov5
#改源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

一个单独的环境能用pip就用pip，实在有问题用conda

安装Pytorch pytorch.org
NVIDIA控制面板->系统信息->组件可以看到CUDA信息
安装v1.8.2 CUDA11.2（3060）

pip install torch==1.8.2 torchvision==0.9.2 torchaudio==0.8.2 --extra-index-url https://download.pytorch.org/whl/lts/1.8/cu111

yolov5 https://github.com/ultralytics/yolov5

numpy = 1.20.3

检测安装

python detect.py

2.Yolov5模型检测

1.关键参数

weights : 指定训练好的模型文件

#detect.py
parser.add_argument("--weights", nargs="+", type=str, default=ROOT / "yolov5s.pt", help="model path or triton URL")

#用yolov5s推理
python detect.py --weights yolov5s.pt

2.source: 检测的目标，可以是单张图片、文件夹、屏幕或者摄像头等

parser.add_argument("--source", type=str, default=ROOT / "data/images", help="file/dir/URL/glob/screen/0(webcam)")
python detect.py --weights .\yolov5s.pt --source data/images/bus.jpg
3.conf-thres: 置信度阈值，越低框越多，越高框越少 
parser.add_argument("--conf-thres", type=float, default=0.25, help="confidence threshold")
默认置信度 
python detect.py --weights .\yolov5s.pt
指定置信度 
python detect.py --weights .\yolov5s.pt --conf-thres 0.8
python detect.py --weights .\yolov5s.pt --conf-thres 0.05
4.iou-thres: IOU阈值，越低框越少，越高框越多 
parser.add_argument("--iou-thres", type=float, default=0.45, help="NMS IoU threshold")

5.--imgsz 输入图像的大小，默认640x640
6.–max-det 一张图片最大的检测数量
7.–device 指定设备
8.–view-img 检测结果弹窗
9.–classes 指定要检测的类别

2.基于torch.hub检测

安装jupyter

pip install jupyter
import torch 
#Model
#本地load
model = torch.hub.load("./","yolov5s",source="local")
#Images
img = "./date/images/zidane.jpg"
results = model(img)
results.show()

3.数据集构建

  • 准备工作
    • 数据收集
      • 图片类型数据
      • 视频类型数据
        • 使用opencv进行视频抽帧
import cv2
import matplotlib.pyplot as plt

#打开视频文件
video = cv2.VideoCapture("./BVN.mp4")
#读取一帧
ret, frame = video.read()

#cv读取时不是按照rgb通道，图片格式是bgr
plt.imshow(frame)

#如果想看一样的图片，转换通道
plt.imshow(cv2.cvtColor(frame,cv2.COLOR_BGR2RGB))

video = cv2.VideoCapture("./BVN.mp4")
num = 0         # 计数器
save_step = 30  # 间隔帧
while True:
    ret,frame = video.read()
    if not ret:
        break
    num += 1
    if num % save_step == 0:
        cv2.imwrite("./images/" + str(num) + ".jpg",frame)

标注工具
labelimg

pip install labelimg

逐个标注

4.模型训练

images: 存放图片
train: 训练集图片
val: 验证集图片

labels: 存放标签
train: 训练集标签文件，要与训练集图片名称一一对应
val: 验证集标签文件，要与验证集图片名称一一对应

images和labels中的train和val要对应
classes.txt文件中的是类名

train.py

weights 预训练的权重文件

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

data:数据集描述文件 

parser.add_argument("--data", type=str, default=ROOT / "data/coco128.yaml", help="dataset.yaml path")

路径指定为data/bvn.yaml

# YOLOv5 🚀 by Ultralytics, AGPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Example usage: python train.py --data coco128.yaml
# parent
# ├── yolov5
# └── datasets
#     └── coco128  ← downloads here (7 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ./yolov5test #指定数据集文件夹
train: images/train #指定数据集
val: images/val #指定训练集
test: # test images (optional)
  
# Classes
names:
  0: ymgs
  1: gyd

运行

python train.py
训练的结果放在runs\\train\\exp文件夹下 其下的best.pt是最好的模型 还有一些其他的结果 events...等文件可以查看训练过程中各项指标的变化 
tensorboard --logdir runs
可视化展示结果 
python detect.py --weights runs/train/exp3/weights/best.pt --source yolov5test/test.mp4 --view-img