yolov5-1
Yolo v5 (v6.1)解析（一）
本文对YOLOv5模型的detect.py文件的参数进行了详细阐述，笔者以后会定期讲解关于模型的其他的模块与相关技术，笔者也建立了一个关于目标检测的交流群：781334731，大家也可扫描最下面图片加入qq群，欢迎大家踊跃加入，一起学习鸭
1.项目地址
源码地址：https://github.com/ultralytics/yolov5
打开网址后，点击master可选取不同版本的分支，本文对Yolov5最新版本v6.1解析
2.环境搭建
在配置Conda环境后就可以进入项目了，可以通过作者提供的requirements.txt文件进行快速安装
即在终端中键入如下指令：pip install -r requirements.txt
3.代码运行
如上是官方给出的代码运行方式，我们可利用Yolov5模型预测图像、视频、摄像头、网站视频、RTSP流文件等，模型会自动下载权重文件（yolov5s.pt、yolov5m.pt、yolov5l.pt等），预测后的结果会自动保存到runs/detect/exp目录下，下次运行结果会保存在runs/detect/exp1目录下，依次类推；下图给出yolov5模型的权重和尺寸，更具体信息请参考：https://github.com/ultralytics/yolov5/releases
4.模型推理
首先我们可以利用PyTorch Hub工具加载Yolov5模型（如果没下载，会自动下载模型权重到根目录下），之后加载需要检测的图片，最后利用封装好的模型推理检测结果，下图给出具体的实现步骤。
5. detect.py文件解读
5.1 检测结果
我们可以直接运行detect.py文件试试效果，运行后系统会把检测结果保存在runs\detect\exp3路径下（之前自己跑过）
下图就是检测结果：
5.2 参数详解
打开detect.py文件，定位到213行：
5.2.1 weights
这个就是指定网络权重的路径，默认是“yolov5s.pt”（default是默认的参数，即使我们在运行时不指定具体参数，那么系统也会执行默认的值）；官方提供了很多的版本，需要更换时直接按照替换成对应Model的名字就可以了(当然使用自己训练的模型也是可以的)，他会自动的下载对应的权重（如果下载太慢或者失败只能去官网下载了，下载好了直接放到根目录下就可以）；下图给出对应模型及其实验结果
5.2.2 source
这个参数是指定网络输入的路径，默认指定的是文件夹，也可以指定具体的文件或者扩展名等，具体参数可参考上节模型推理
5.2.3 data
这个就是配置文件的一个路径，配置文件里面包含了下载路径和一些数据集基本信息（在训练时如果不自己指定数据集，系统会自己下载coco128数据集）
5.2.4 imgsz, img, img-size
这个参数是模型在检测图片前会把图片resize成640的尺寸，然后再送进网络中（并不是说会把们最终得到的结果resize成640）
5.2.5 conf-thres
这个参数是置信度的阈值，置信度通俗来说就是网络对检测目标相信的程度，通常如果设置太小会产生较多的检测框，如果设置过高则可能会过滤掉正确的预测框（因此需要实际根据自己的数据集设置相当的值）
5.2.6 iou-thres
这个参数是调节IoU的阈值，在NMS（非极大值抑制）后处理用到，NMS具体步骤如下
- 对 BBox 按置信度排序，选取置信度最高的 BBox（所以一开始置信度最高的 BBox 一定会被留下来）
- 对剩下的 BBox 和已经选取的 BBox 计算 IOU，抑制IOU 大于设定阈值的 BBox
- 重复上述两个步骤，直到所有的 BBox 都被处理完，这时候每一轮选取的 BBox 就是最后结果
- 具体操作可参考下图
5.2.7 max-det
这个参数是最大检测目标数量，默认是最多检测1000个目标（按照检测置信分排序给出）
5.2.8 device
这个参数是指定GPU数量，如果不指定的话，他会自动检测
5.2.9 action=‘store_true参数说明
这个类型的参数和之前的默认有很大区别，其相当于一个“开关”，当我们运行程序的时候如果指定了带有action='store_true’类型的参数，那么就相当于启动这个参数所对应的功能，反之则不
5.2.10 view-img
这个参数是检测时是否实时的把检测结果显示出来，因为是action='store_true’类型的参数，如果需要在检测时实时显示结果即在终端中输入以下指令 ：python detect.py --view-img
5.2.11 save-txt
这个参数是是否把检测结果保存成一个txt格式的文件，如果需要保存检测结果即在终端中输入以下指令 ：python detect.py --save-txt
在文件输出目录runs/detect/exp目录下会生成labels文件夹，这个文件夹下会生成对应图像名的txt文件，里面保存了一些类别信息和边框的位置信息
5.2.12 save-conf
这个参数是是否以txt格式的文件保存目标的置信度得分，如果单独指定这个命令是没有效果的，需要必须和–save-txt配合使用，即在终端中输入以下指令： python detect.py --save-txt --save-conf
5.2.13 save-crop
这个参数是是否把模型检测的物体裁剪下来，如果开启了这个参数会在runs/detect/exp/crops文件夹下看到几个以类别命名的文件夹，里面保存的都是裁剪下来的图片
5.2.14 nosave
这个参数是不保存预测的结果，但是还会生成runs/detect/exp文件夹，只不过是一个空的exp
5.2.15 classes
这里又出现一个新的参数nargs，它的意思就是我们可以给变量指定多个赋值，也就是说我们可以把0赋值给classes，也可以把0、1、2都赋值给classes
这个参数是只检测给定类别的目标，使用方式是在终端输入：python detect.py --classes 0
5.2.16 agnostic-nms
这个参数是是否使用增强版的nms，一个trick（笔记使用与不使用这个参数效果相差不大）
5.2.17 augment
这个参数是在推理时是否使用数据增强方法（对于特定效果会有很好的效果）
5.2.18 visualize
这个参数是是否把特征图可视化出来，如果开启了这个参数可以看到runs/detect/exp文件夹下又多了一些文件，其中.npy格式的文件就是保存的模型文件，可以使用numpy读写.png就是图片文件
5.2.19 update
这个参数是对模型进行strip_optimizer操作，去除pt文件中的优化器等信息
5.2.20 project
这个参数是我们预测结果保存的路径：runs/detect
5.2.21 name
这个参数是预测结果保存的文件夹名字，默认是exp（第一次是exp，下一次就是exp1），与上面联系起来保存文件路径就是runs/detect/exp
5.2.22 exist-ok
这个参数是每次预测模型的结果是否保存在原来的文件夹，如果指定了这个参数的话，那么本次预测的结果还是保存在上一次保存的文件夹里；如果不指定就是每次预测结果保存一个新的文件夹下
5.2.23 line-thickness
这个参数是调节预测框线条粗细
5.2.24 hide-labels
这个参数是隐藏结果标签（即不显示检测目标类别名）
5.2.25 hide-conf
这个参数是隐藏标签的置信度（即不显示检测类别置信分）
5.2.26 half
这个参数是是否使用 FP16 半精度推理；在训练阶段，梯度的更新往往是很微小的，需要相对较高的精度，一般要用到FP32以上；在推理的时候，精度要求没有那么高，一般F16（半精度）就可以，甚至可以用INT8（8位整型），精度影响不会很大；同时低精度的模型占用空间更小了，有利于部署在嵌入式模型里面
5.2.27 dnn
这个参数是是否使用 OpenCV DNN（Deep Neural Networks）进行 ONNX 推理
参考资料
源码地址：https://github.com/ultralytics/yolov5/tree/master
彩蛋
本文对YOLOv5模型的detect.py文件的参数进行了详细阐述，笔者以后会定期讲解关于模型的其他的模块与相关技术，笔者也建立了一个关于目标检测的交流群：781334731，大家也可扫描下面这张图片加入，欢迎大家踊跃加入，一起学习鸭！
