YOLOV5项目复现

• • 一、YOLOv5 实现检测
  • • 1.1 下载源码
    • 1.2 下载官方模型(.pt文件)
    • 1.3 配置虚拟环境
    • 1.4 进行测试
  • 二、YOLOV5 实现训练
  • • 2.1 首先是准备数据集
    • 2.2 文件修改
    • • 2.2.1 修改数据集方面的yaml文件
      • 2.2.2 修改网络参数方面的yaml文件
      • 2.2.3 修改train.py中的一些参数
    • 2.3开始训练
    • 2.4 ？
  • 三、个人对于yolov5的看法

首先说一下软硬件配置这一块：win10 + i7-9700kf + rtx2070Super + cuda10.2 + anaconda

image.png

一、YOLOv5 实现检测

1.1 下载源码

进入官方地址，进行源码下载 https://github.com/ultralytics/yolov5[大概4M左右]

1.2 下载官方模型(.pt文件)

文中作者是把模型都放到了谷歌网盘里了，如果没有梯子，访问会很慢–>>作者给的模型地址

1.3 配置虚拟环境

虚拟环境的优点不再阐述
创建虚拟环境：

conda create -n yolov5 python==3.7，**在yolov5中尽量用python3.7**。

进 入 环 境 ：

conda activate yolov5

再安装所需库：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt(使用清华镜像源)

在pip install的时候，可能会出现read timeout的情况，你需要更换镜像源，或者多执行几次pip install，如果还有其他报错，请留言评论区，我会及时回复，因为我在安装的时候也报了一些错，但是都没有记录下来

1.4 进行测试

在这里插入图片描述

运行测试文件: python detect.py --source 0 【0:是指定的本机摄像头】PS:我特么的竟然一次运行成功，多少是挺失望
下图是下载pt文件

image.png

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

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

二、YOLOV5 实现训练

2.1 首先是准备数据集

★ 数据集的准备工作，我以前的博客有细写过，—>>传送门
★ 数据集准备好后，一定先确保label和JPEGImages这两个文件夹在同一目录里
[图片上传失败...(image-51eb0c-1613616264582)]

2.2 文件修改

2.2.1 修改数据集方面的yaml文件

作者是把以前用的.data、.names文件合并到了data/coco.yaml中，打开coco.yaml进行修改

# 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

# 这些是生成的图片的路径文件，这里是我自己的路径，需要修改成你自己的路径，绝对路径也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

# 你数据集的类别数
nc: 1

# 类别的名称
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 修改网络参数方面的yaml文件

这个相当于以前版本的.cfg文件，在models/yolov3-spp.yaml【当然，你想用哪个模型就去修改对应的yaml文件】

# parameters
nc: 1  # 数据集类别数
depth_multiple: 1.0  # expand model depth
width_multiple: 1.0  # expand layer channels

# anchors【你也可以使用k-means去产出你自己数据集的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中的一些参数

train.py在根目录里，修改一些主要的参数，奥利给

parser.add_argument('--epochs', type=int, default=200)  # 训练的epoch
parser.add_argument('--batch-size', type=int, default=16)  # batch_size 显卡垃圾的话，就调小点
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开始训练

直接 python train.py 就Ok了

成功训练如图所示
[图片上传失败...(image-b97001-1613616264581)]

↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓无情哈拉少↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓

在这里插入图片描述

在这里插入图片描述

2.4 ？

等它训练完就没问题了，但是还是要时不时看一眼，具体看什么，我也不知道呀，反正是看就完事儿了🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷🐷

都训练完了，测试的话，就不用再说的吧，阿sir，

三、个人对于yolov5的看法

先说一个情况吧，我在复现yolov4时，使用1080p的摄像头进行测试的时候，检测的帧率只有1.7fps（在我的rtx2070s显卡上），不管我如何调整cfg文件里的宽高，基本都无济于事，然后我用480p的摄像头才可以达到20fps，不要搞我啊，阿sir,现在摄像头基本都是在1080p检测的啊，480p怎么能满足！！！！！我不知道为什么图像在相同的cfg参数下，分辨率对检测速度影响会这么大。但是，啊，但是，我在用yolov5的时候，用1080P就可以达到实时，最主要的是yolov5的模型非常小，比yolo的前几个系列小了大概4倍，非常适合做嵌入。对于yolov5，虽然是作者自封的，但是非常达到我心里的预期！！！，不吹不黑，yolov5是我遇到最牛啤的目标检测算法，你说呢，你是不是也这么感觉的呢

在这里插入图片描述