Yolo v5 (v6.1)解析（二）

Yolo v5 (v6.1)解析（二）

本文对YOLOv5模型的detect.py文件内容进行了详细阐述，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，大家也可扫描底部图片加入，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（之前自己跑过试试）

下图就是检测结果：

5.2 参数读取

之前博客已完成对detect.py文件的参数详细介绍，本篇博客对detect.py的关键代码逻辑阐述。

5.2 run函数

运行detect.py首先会解析参数，其次利用得到的参数运行main函数（检测环境并将解析得到的参数传入run函数中），接下来让我们康康run函数（其实就是输入之前解析的参数），接下来我们来具体康康下面的代码逻辑

5.2.1 初始化配置信息

首先第一部分是初始化模型配置信息，依据传入的解析参数确定图片路径、是否保存图像、保存目录等信息，具体细节请看下面贴出的代码碎片

5.2.2 加载模型和参数

第二部分是载入模型和参数，具体包括当前设备、导入的模型、步长、图像尺寸等信息

5.2.3 加载推理数据

第三部分是从流数据或者图像数据加载推理图像，后续会具体分析LoadStreams和LoadImages类

5.2.4 推理前测试

第四部分是在正式推理前先测试模型法能否跑通

5.2.5 正式推理

（1）第五部分首先是先处理每张图像和视频

（2）其次是对每张图片/视频进行前向推理

（3）接着使用NMS去除冗余的检测框框

（4）最后保存和打印预测模型预测信息（这部分不是重点）

总结

detect.py文件大体包括如下的几部分：

• 加载配置文件与读取参数信息
• 初始化模型配置等信息
• 加载YOLOv5检测模型和参数信息
• 读取推理数据（单张图像、目录图像、摄像头、流媒体等）
• 推理前测试模型与正式推理（图像处理、模型推理、NMS去重与保存打印结果信息）

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！