yolov5 保姆级别教入门,不会就把我头打爆。
yolov5 保姆级别教入门,不会就把我头打爆。
前言:
仓库地址:
数据集地址:
这里引用两篇更有含金量和更详细的文章,也是他们领我进门的。
玩转yolov5:
环境配置,多的我也不说,我搭建的环境是linux+anaconda+pytorch(gpu版,强烈要求用gpu)cuda11.4+cudnn+pycharm,详细的请看:
如何在pycharm中配置anaconda的虚拟环境_dejahu的博客-CSDN博客_如何在pycharm中配置anaconda,但我要记录一个坑,一开始我以为pytorch(gpu版)要用到对应的cuda和cudnn版本,本地机器也要安装对应好的版本其实才能用,其实不然,只要版本高于或等于 pytorch(gpu版)要用到对应的cuda和cudnn版本就o了,反正我是装了cuda11.4的,然后pytorch用到了cuda11.3。
下载源码,直接下载yolov5官方源码就好了,仓库:https://github.com/ultralytics/yolov5,
(gitee里面也有官方库)然后把里面的用不到的文件删掉或者整合到一个doc文件夹内,包括但不限于.github文件夹,让项目看上去简洁一点,突出我们要用到的东西
安装其他python库,首先前提是在配置好的conda环境,并激活了环境activate yolo
在yolov5当前目录下执行pip install -r requirements.txt
即可,其他一切静等岁月静好。
测试一下,如果一切都准备好了,可以在终端输入python detect.py --source data/images/bus.jpg --weights pretrained/yolov5s.pt
,第一次运行应该会下载一个yolov5s.pt的模型,需要等待一下。
在runs目录下可以找到检测之后的结果
准备数据集,前面所做的一切都可以理解为准备好“炼丹炉”,这一步是能否好好炼丹(训练模型)重要的一步(准备好柴火),首先得下载一个图片标注的软件labelimg,虽然或许有很多其他好的坏的标注工具,但我还是倾向于用这个,起码源码在https://github.com/tzutalin/labelImg找得到,按照以往的网上很多的教程都是把源码download下来,然后配置好环境,然后python labelimg.py
当然现在确实也可以这样做,但我推荐你直接来一个pip install labelimg
,然后在终端输入labelimg并回车即可进入我们的界面中来。进入之后,首先我们先把一些选项勾上,便于我们标记。然后,最重要的是把标记模式改为yolo。
标注的过程是:
1.打开图片目录
2.设置标注文件保存的目录并设置自动保存
3.开始标注,画框,标记目标的label,crtl+s
保存,然后d切换到下一张继续标注,不断重复重复
labelimg的快捷键如下,学会快捷键可以帮助你提高数据标注的效率。
标注完成之后你会得到一系列的txt文件,这里的txt文件就是目标检测的标注文件,其中txt文件和图片文件的名称是一一对应的,如下图所示:
打开具体的标注文件,你将会看到下面的内容,txt文件中每一行表示一个目标,以空格进行区分,分别表示目标的类别id,归一化处理之后的中心点x坐标、y坐标、目标框的w和h。
修改数据集配置文件
我觉得这一步也十分重要,一个好的索引才方便训练的时候找到对应的训练数据集,我尝试过其他的数集文件摆放,然后就就出错了我也不知道为啥,路径啥的都是对的,所以我强烈推荐以后每一个训练无论数据集数量多少都要这样摆放
data_set
└─ score
├─ images
│ ├─ test # 下面放测试集图片
│ ├─ train # 下面放训练集图片
│ └─ val # 下面放验证集图片
└─ labels
├─ test # 下面放测试集标签
├─ train # 下面放训练集标签
├─ val # 下面放验证集标签
这里的配置文件是为了方便我们后期训练使用,我们需要在data目录下创建一个data.yaml
的文件:
# Custom data for safety helmet
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: /home/lin/Desktop/pycharm_project/yolov5/data_set/images/train
val: /home/lin/Desktop/pycharm_project/yolov5/data_set/images/val
# number of classes
nc: 10
# class names
names: ['hero', 'tower','soldier','monster','red_buff','bird','spirit','lizard','blue_buff','wolf']
其中的train和val路径对应自己本地机器代码中data_set(数据集)的路径。
nc,对应自己数据集标签中标注的数量
模型训练
例如采用yolov5s,数据集有10个类别:在models下建立一个train_yolov5s.yaml
的模型配置文件,内容如下:
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Parameters
nc: 10 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
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
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
其中的nc跟data.yaml中的nc一样,对应自己数据集标签中标注的数量
模型训练之前,请确保代码目录下有以下文件
执行下列代码运行程序即可:
python train.py --data data.yaml --cfg train_yolov5s.yaml --weights pretrained/yolov5s.pt --epoch 100 --batch-size 4
cpu版:python train.py --data data.yaml --cfg train_yolov5s.yaml --weights pretrained/yolov5s.pt --epoch 100 --batch-size 4 --device cpu
训练代码成功执行之后会在命令行中输出下列信息,接下来就是安心等待模型训练结束即可。
根据数据集的大小和设备的性能,经过漫长的等待之后模型就训练完了,输出如下:
在train/runs/exp2
的目录下可以找到训练得到的模型和日志文件
模型评估
出了在博客一开头你就能看到的检测效果之外,还有一些学术上的评价指标用来表示我们模型的性能,其中目标检测最常用的评价指标是mAP,mAP是介于0到1之间的一个数字,这个数字越接近于1,就表示你的模型的性能更好。
一般我们会接触到两个指标,分别是召回率recall和精度precision,两个指标p和r都是简单地从一个角度来判断模型的好坏,均是介于0到1之间的数值,其中接近于1表示模型的性能越好,接近于0表示模型的性能越差,为了综合评价目标检测的性能,一般采用均值平均密度map来进一步评估模型的好坏。我们通过设定不同的置信度的阈值,可以得到在模型在不同的阈值下所计算出的p值和r值,一般情况下,p值和r值是负相关的,绘制出来可以得到如下图所示的曲线,其中曲线的面积我们称AP,目标检测模型中每种目标可计算出一个AP值,对所有的AP值求平均则可以得到模型的mAP值,以本文为例,我们可以计算佩戴安全帽和未佩戴安全帽的两个目标的AP值,我们对两组AP值求平均,可以得到整个模型的mAP值,该值越接近1表示模型的性能越好。
关于更加学术的定义大家可以在知乎或者csdn上自行查阅,以我们本次训练的模型为例,在模型结束之后你会找到三张图像,分别表示我们模型在验证集上的召回率、准确率和均值平均密度。
更多细节参考手把手教你使用YOLOV5训练自己的目标检测模型-口罩检测-视频教程
模型使用
# 检测摄像头
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt --source 0 # webcam
# 检测图片文件
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt --source file.jpg # image
# 检测视频文件
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt --source file.mp4 # video
# 检测一个目录下的文件
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt path/ # directory
# 检测网络视频
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt --source 'https://youtu.be/NUsoVlDFqZg' # YouTube video
# 检测流媒体
python detect.py --weights runs/train/exp_yolov5s/weights/best.pt --source 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream
onnx模型实验(yolov5的第六版才有dnn这个参数)
python detect.py --weights yolov5n.onnx --dnn --source file.mp4
urce ‘rtsp://example.com/media.mp4’ # RTSP, RTMP, HTTP stream
* onnx模型实验(yolov5的第六版才有dnn这个参数)
python detect.py --weights yolov5n.onnx --dnn --source file.mp4
来源:linxinloningg