YOLO v5 实现目标检测
本文用于学习记录
文章目录
- 前言
- 一、YOLO v5 环境配置
-
- 1.1 安装 anaconda 与 pycharm
- 2. 创建虚拟环境
- 3. 进入 pytorch 环境
- 4. 安装 pytorch
- 二、YOLO v5 项目下载实现
-
- 1. YOLO v5 项目下载
- 2. 解压 yolo v5 项目并导入 Pycharm
- 3. 添加 Python interpreter
- 4. 选择 Existing environment
- 5. 直接运行 detect.py
- 6. 配置 requirements.txt
- 7. 重新运行 detect.py
- 8. yolov5s.pt 权重文件下载超时
- 9. 下载 yolov5s.pt 权重文件
- 10. detect.py 运行成功
- 11. 检测视频
- 12. 检测摄像头
- 三、自制数据集训练自己的模型
-
- 1. 新建文件夹存储数据集图片和标签
- 2. 图片标注
- 3. yaml 文件修改
- 4. 修改并运行 train.py
- 总结
前言
YOLO v5 实现目标检测
一、YOLO v5 环境配置
1.1 安装 anaconda 与 pycharm
安装完成以后，按下开始键（ win 键）在左边就会出现 anaconda3 这个文件夹，可以发现 anaconda 已经安装好了。点击左下图中标红的图标，就可打开 anaconda 的终端如右下图：
2. 创建虚拟环境
conda create -n 环境名字（英文） python=x.x（python版本）
# 输入 conda create -n pytorch1 python=3.9，在 base 环境中这条命令，就会创建一个新的虚拟环境，这个虚拟环境会安装一些基础的包，如下图所示。询问是否安装的时候，输入 y 就可以创建环境了。
3. 进入 pytorch 环境
安装完成后显示如下，输入 conda activate pytorch1 进入 pytorch 环境，输入 pip list 查看已经安装的包
4. 安装 pytorch
#如果电脑没有英伟达的显卡输入：（在 pytorch 环境下输入）
conda install pytorch torchvision cpuonly -c pytorch
二、YOLO v5 项目下载实现
1. YOLO v5 项目下载
下载地址：https://github.com/ultralytics/yolov5 ，并保存至本地
2. 解压 yolo v5 项目并导入 Pycharm
将本地的 yolov5 项目解压至 Pycharm 特定的 Project 项目中，Pycharm 将会自动识别，并完成加载。如图所示，已完成 yolov5 项目的导入，进入 File 下的 Settings 进行 python 解释器设置；
3. 添加 Python interpreter
选择 Settings 中的 Project yolov5-master 下的 Python interpreter，点击右上角标红的设置选择 add 添加；
4. 选择 Existing environment
进入 Add Python interpreter 选择 Conda Environment 下标红的 Existing environment，点击 OK 之后 python 解释器设置就配置好了；
5. 直接运行 detect.py
直接运行 detect.py，会出现以下问题，即缺少依赖包；
6. 配置 requirements.txt
#需要导入的 requirements.txt 文件配置，里面包含 yolo5 运行所需依赖，在 PYcharm 的 Terminal 终端输入：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
7. 重新运行 detect.py
安装成功后，再次运行 detect.py，将会检测 data/images 中的图片；
8. yolov5s.pt 权重文件下载超时
运行结果会在 runs 目录下，但这里没有看到所预测的图片，原因是 yolov5s.pt 权重文件下载超时；
9. 下载 yolov5s.pt 权重文件
yolov5s.pt 权重文件下载超时后，可重新运行 detec.py，
如果下载太慢，也可进入https://github.com/ultralytics/yolov5/releases 下载 yolov5s.pt；
10. detect.py 运行成功
detect.py 运行结果保存到runs\detect\exp 中，
11. 检测视频
前面是检测图片，可以把想检测的视频放入新建的 data/video 的文件夹中，将代码改成 default=ROOT / 'data/video' 即可；
12. 检测摄像头
开启摄像头检测，将代码改成 default='0'，便可开启自带摄像头；将代码改成 default='1'，便可开启 USB 摄像头，进行动态的实时检测。
三、自制数据集训练自己的模型
1. 新建文件夹存储数据集图片和标签
新建文件夹 train_data，在该文件夹下新建 images、labels两个文件夹，分别在这里两个文件夹下新建 train 文件夹，将采集的图片（采用手机拍照或者走网上搜索你所需要的数据集）放入 train_data/images/train 文件夹，此时 train_dat/labels/train 文件夹是空的。
2. 图片标注
这是一个在线标注工具：https://www.makesense.ai/，点击 Get Started 进入右图；
选择自己前面采集的8张要训练的图片，点击 Object Detection ；
输入你所需要的标签，在这都是猫的图片，如果种类多样，按 Enter 继续添加输入即可，不需要则点击删除；
画框打上标签，给所有图片都打完标签后，选择导出模型标签，如下图所示：
选择第一个 yolo 模型，然年导出，你可以看到你需要的标签已经下载下来了；
导出后，你可以看到该标签文件夹下有8个已经标注好的 txt 文件，把它们复制到之前空的 train_data/labels/train 文件夹中
3. yaml 文件修改
复制 coco128.yaml 修改为 cat.yaml ，并对其内容进行修改；
4. 修改并运行 train.py
（这里是由于内存不足报错，）1个 epoch 表示过了1遍训练集中的所有样本；batch-size：1次迭代所使用的样本量；例如定义10000次迭代为1个 epoch，若每次迭代的 batch-size 设为256，那么1个 epoch 相当于过了2560000个训练样本。
于是把 epoch 设置为3，能成功训练，但这样训练出来的模型就没啥效果，所以还得将 epoch 设置的高点，比较不同值训练后的结果，看哪个效果更好。
总结
以上就是 yolov5 的环境配置、运行与训练过程及其中可能出现的问题与解决办法。