深度学习基础篇【5】从0开始搭建YOLOV5 并进行测试

深度学习基础篇【5】

从0开始搭建

YOLOV5 

并进行测试

如何评价YOLO V5，那就必须拿“上一代”YOLO V4来做对照了。先说结论，YOLO V5 在性能上稍弱于YOLO V4，但是在灵活性与速度上远强于YOLO V4，在模型的快速部署上具有极强优势。

在YOLOv3、YOLOv4中，训练不同的数据集时，计算初始锚框的值是通过单独的程序运行的。但YOLOv5中将此功能嵌入到代码中，每次训练时，自适应的计算不同训练集中最佳锚框找值。

当然，如果计算锚框效果不是很好，也可以在代码中将西东计算锚框功能关闭，控制的代码中即train.py中上面一行代码，设计成FALSE，每次训练时，不会自动计算。

- 语言环境：Python3.8

- 编译器：jupyter notebook

- 深度学习环境：PyTorch 1.8

- CUDA版本：11.1.1

- 深度学习平台：极链AI云

- 显卡（GPU）：NVIDIA RTX 2080 Ti

       目录

    01 环境搭建

    02 准备工作

    03 图像识别

01 环境搭建

1. 打开极链AI云平台

         https://cloud.videojj.com/?source=100

2. 点击算力租赁

 3. 选择合适的显卡

         此处我们以NVIDIA RTX 2080TI为例

4. 深度学习框架搭建

         框架选择PyTorch，版本1.8

         python版本3.8

         cuda版本11.1

5. 连接实例

创建完成后，点击jupyterlab连接

6. 打开终端

02 准备工作

1. YOLOV5 安装

进入 root 文件夹下，打开终端，输入

# cd /...   # 可省略，cd到自己想安装的目录git clone https://github.com/ultralytics/yolov5 # 从官网clone整个项目文件cd yolov5 # clone项目文件夹成功后cd到yolov5目录pip install -r requirements.txt # pip安装requirements

安装完成后可以通过命令检查文件夹目录，与官方yolov5项目文件夹构造保持一致

03 模型使用

1. 模型推断

本项目使用detect.py文件进行推理​​​​​​

python detect.py --source 0  # webcam                            file.jpg  # image                             file.mp4  # video                            path/  # directory                            path/*.jpg  # glob                            'https://youtu.be/NUsoVlDFqZg'  # 仅支持YouTube video                            'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream

detect.py具体使用方法：

使用该命令可以查看更多参数的使用

python detect.py -h

更多内容请左右滑动

使用式例

python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/

更多内容请左右滑动

关于yolov5不同权重文件的选择

使用技巧：

v5s权重文件数据最少，下载快，网络运行快，准确率可能较其他权重文件低

v5x权重文件数据最大，下载慢，网络运行较慢，准确度高

部分结果如下