【Object Detection】YOLOV5应用案例——口罩检测（mask destection）手把手教你从零开始搭建一个目标检测任务

【Object Detection】YOLOV5应用案例——口罩检测（mask destection）手把手教你从零开始搭建一个目标检测任务

1、下载YOLOV5的代码

打开项目地址https://github.com/ultralytics/yolov5，根据流程下载，在命令行中输入

• git clone https://github.com/ultralytics/yolov5
• cd yolov5
• pip install -r requirements.txt

注意：本地进行项目运行的话需要自行创建好wandb，tensorboard以及clearml的账户（都是记录运行过程的库），并在命令行中登录。（不知道怎么创建的可以先运行一遍train.py训练，然后根据报错信息进入不同的官网进行注册和登录）
包括有：

• https://wandb.ai/home
• https://app.clear.ml/dashboard

2、准备数据

打开roboflow官网 https://app.roboflow.com/ 根据新手教程创建自己的数据集

然后上传数据时，我使用的是网上的公开的口罩以及面部数据，上传图片以及label标签的文件夹

如果没有labels数据也没有关系，在roboflow网站上也可以自己标注数据，上传一张照片，点击照片进行标注

标注完成自己的数据后点击Finish Uploading完成上传，并选择划分数据集的比例

之后，可以自定义选择数据增强的方式（如旋转，噪音，模糊等）

然后点击生成数据集

然后选择导出数据，可选择将数据下载到电脑也可以复制下载代码在项目中进行下载

将下载好的数据解压到YOLOV5的项目里（本地使用的话推荐直接下载到电脑）

3、修改配置文件

打开data.yaml配置文件，修改路径为自己的包名，
nc表示分类个数
name就是分类的名称

4、模型训练

在train.py文件中，找到parse_opt解析命令行参数的方法，创建一个自定义的默认参数字典，并修改对应位置的参数（首次测试运行的话，建议将epochs的默认值改为50）

注意：这个weights参数对应的文件是会自动下载的，所以直接修改参数值即可（包括yolov5s，yolov5m， yolov5l， yolov5x，具体差距看下文中“如何提高精度”的相关内容）

第一次运行，报了这个错，点进去这个文件，将这段代码注释掉

训练好后，会在runs/exp/weights下生成训练好的权重模型

注意：这个best.pt是你最重要的文件，该权重文件用于模型预测，所以，也可以在别的地方训练好（比如在kaggle，colab等网站训练好），下载好这个权重文件后在此项目也可继续运用（前提是分类项目的数据都一致）。

5、模型测试

打开detect.py文件，与train.py的修改类似，

修改完后，运行detect.py代码，查看运行结果，可以看到结果保存在什么地方

这里我用我的自拍照测试了以下，效果还不错

其他问题

如何提高精度？

1. 提高训练轮次epochs

2. 在生成数据集时，选择数据增强Data Augmentation

3. 选用其他的权重模型的pt文件

   直接在train.py文件的解析参数的方法中修改文件名。
   

   效果的话，可以参考这篇文章：https://zhuanlan.zhihu.com/p/399104828

   具体来说就是yolov5s< yolov5m< yolov5l< yolov5x，所含的残差结构的个数依次增多，网络的特征提取、融合能力不断加强，检测精度得到提高，但相应的时间和资源花费也在增加。

关于为什么detect文件运行后，预测结果没有框框出的问题

提高自己的训练轮次，因为权重模型训练的效果不好或者是过拟合了，或者是首先模型训练的效果不好而且之前在detect文件里设置置信度太高了，建议刚开始训练的置信度调低，跑通以后调优的时候再提高这个置信度