YOLOv5代码解析（二）

requirements.txt下载安装库

pip install -r requirements.txt

# pip install -r requirements.txt

# base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0

# logging -------------------------------------
tensorboard>=2.4.1
# wandb

# plotting ------------------------------------
seaborn>=0.11.0
pandas

# export --------------------------------------
# coremltools>=4.1
# onnx>=1.8.1
# scikit-learn==0.19.2  # for coreml quantization

# extras --------------------------------------
thop  # FLOPS computation
pycocotools>=2.0  # COCO mAP

 detect.py这是运行yolov5模型的目标检测代码：

看一些核心代码：

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    #训练好的模型yolov5s.pt，可以可以从网络下载yolov5m.pt
    parser.add_argument('--weights', nargs='+', type=str, default='yolov5s.pt', help='model.pt path(s)')
    #网络的一个输入，检测图片和视频，检测视频的时候直接写个图片地址就好
    # parser.add_argument('--source', type=str, default='data/images', help='source')  # file/folder, 0 for webcam
    parser.add_argument('--source', type=str, default='data/video/牛车水拥有错综复杂的狭窄街道.mp4', help='source')  # file/folder, 0 for webcam
    #图片默认是在640上进行训练
    parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')
    #置信度区间，只有一个物体概率大于0.25的时候，我才确定他是一个物体
    parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold')
    #iou就是（俩个图片的交集/俩个图片的并集），达到一个阈值，就选择这个框，设置0表示框和框之间没有交集产生
    parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS')
    #自己去检测设备，默认
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    # 命令行指定参数python detect.py --view-img，就会变为true，结束运行直接展示结果，实时的看到检测效果
    parser.add_argument('--view-img', action='store_true', help='display results')
    #保存标签结果
    parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')
    #保存置信度
    parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels')
    #不要保存图片和视频
    parser.add_argument('--nosave', action='store_true', help='do not save images/videos')
    #保存和展示指定结果，--class 0 2 3 需要展示的class一下，不需要的，不要写
    parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --class 0, or --class 0 2 3')
    #增强的MNS，设置之后NMS会更加的强大
    parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')

    parser.add_argument('--augment', action='store_true', help='augmented inference')
    #去掉网络参数，只保留预测模型
    parser.add_argument('--update', action='store_true', help='update all models')
    #结果保存什么位置
    parser.add_argument('--project', default='runs/detect', help='save results to project/name')
    #保存文件的问价夹名字
    parser.add_argument('--name', default='exp', help='save results to project/name')
    #如果设置true，识别结果都不保存在一个文件夹下
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    opt = parser.parse_args()
    print(opt)
    check_requirements(exclude=('pycocotools', 'thop'))

    with torch.no_grad():
        if opt.update:  # update all models (to fix SourceChangeWarning)
            for opt.weights in ['yolov5s.pt', 'yolov5m.pt', 'yolov5l.pt', 'yolov5x.pt']:
                detect()
                strip_optimizer(opt.weights)
        else:
            detect()

如果要默认运行这些代码可以在pycharm设置：--view -img表示可以查看训练过程的图片和视频

 train.py这是训练模型的代码：

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    #训练好的模型yolov5s.pt作为训练模型参数的初始化（5s,5m,5l,5x）
    parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
    #训练好的模型结构存放在model下yolov5s.yaml（小模型）yolov5m.yaml（中性）yolov5l.yaml（大模型）yolov5x.yaml(超大)
    #仿照那个模型进行训练
    # parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')
    parser.add_argument('--cfg', type=str, default='', help='model.yaml path')
    #指定训练数据集（哪里下载，下载到哪里）
    parser.add_argument('--data', type=str, default='data/coco128.yaml', help='data.yaml path')
    #超参数列表
    parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')
    #训练多少轮
    parser.add_argument('--epochs', type=int, default=300)
    #多少数据会组成一个批次batch默认是16个数据是一批次
    parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')
    #设置训练集，测试集的大小
    parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')
    #训练图片选择一个正方形
    parser.add_argument('--rect', action='store_true', help='rectangular training')
    #是否在最近训练的模型基础上进行训练
    # parser.add_argument('--resume', nargs='?', const=True, default="填写已经训练过模型存储位置", help='resume most recent training')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
    #设置为true只保存训练最后一次的模型的参数
    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
    #设置为true在最后一轮的训练模型上进行测试
    parser.add_argument('--notest', action='store_true', help='only test final epoch')
    #锚点和锚框
    parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
    #参数净化，寻找最优参数，默认没开启
    parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')
    #做着把一些东西放到google云盘上了，现在没必要了
    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
    #是否进行缓存图片进行更快的训练
    parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')
    #那些图片在测试过程中效果不是太好，在下一次训练的时候加一些权重
    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
    #设备检索
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    #图片尺寸进行变换
    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
    #训练的数据集是单类别还是多类别
    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
    #优化函数选择，true选择adam，false默认梯度下降
    parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')
    #如果有多个显卡，可以采用ddp分布式训练
    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
    #ddp的参数，不要随意修改
    parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
    #运行的进程数，建议设置成0，设置比较大，会存在很多问题
    # parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')
    parser.add_argument('--workers', type=int, default=0, help='maximum number of dataloader workers')
    #保存训练数据集
    parser.add_argument('--project', default='runs/train', help='save to project/name')
    #W&B库
    parser.add_argument('--entity', default=None, help='W&B entity')
    #保存文件名
    parser.add_argument('--name', default='exp', help='save to project/name')
    #设置了就会只保存到exp里面，不设置会出现exp1，exp2，exp3。。。。。
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    #数据加载dataloader yolov4的一个新功能
    parser.add_argument('--quad', action='store_true', help='quad dataloader')
    #学习率设置
    parser.add_argument('--linear-lr', action='store_true', help='linear LR')
    #标签平滑，防止过拟合
    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
    #上传数据集
    parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table')
    #
    parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')
    #没装W&B设置成-1
    parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')
    #无用参数
    parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')
    opt = parser.parse_args()

以上俩个代码设置好之后都可以直接运行代码

yolov5的模型介绍：4个模型

yolov5s、 yolov5m、yolov5l 、 yolov5x（分别是训练2、4、6、8天对应的模型）
                                                                        
                                        
下面是我对一个视频文件的目标检测：下载视频放到默认目录下