【yolov5系列】yolov5 v6.0 环境配置、图片视频测试、模型可视化、v6.0的更新内容

1 环境安装、工程下载

工程链接：https://github.com/ultralytics/yolov5
 
工程环境配置记录：

• 本人电脑已有环境：ubuntu18、cuda10.0、anaconda

• 创建虚拟环境并激活
  conda create -n yolov5 python=3.6
source activate yolov5

• 下载工程并安装工程环境
  git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
  按照工程所说，git下载会自动下载最新的YOLOv5模型。

• 如果是直接下载工程并解压，到工程根目录激活虚拟环境后 运行 pip install -r requirements.txt。这样我们需要手动下载模型，本人是手动下载的。
  
  从这里进入链接，在如下图位置进行下载模型，为了测试该工程的性能，个人把所有的模型全部下载
  
  该链接下，当前更新到了 v6.0，主要增加了YOLOv5n、YOLOv5n6，纳米版的yolov5，比yolov5s的模型还小，更合适移动端移植的任务。
  为了工程文件的整洁性，在工程目录下创建文件夹【MODEL】，将下载的模型移到此处
  

2 模型测试

• 使用yolov5s.pt，测试工程提供的图片：
  python detect.py --weight MODEL/yolov5s.pt
  默认图片所在位置【data/images/】,工程提供了两张图片，运行命令会将路径下的 图片以及视频 都进行预测，结果默认路径为：【runs/detect/】。
• 如果要预测单个图片或视频，
  python detect.py --weight MODEL/yolov5s.pt --source data/images/bus.jpg
python detect.py --weight MODEL/yolov5s.pt --source data/images/**.mp4
  

3 onnx模型格式的导出与预测

• onnx库的安装：
  pip install -U coremltools onnx scikit-learn==0.19.2
• yolov5的onnx模型的导出：(注意：这里模型路径根据自己实际情况而定)
  python export.py --weights MODEL/yolov5s.pt --include onnx --dynamic
• 使用onnx模型进行预测：
  python detect.py --weights MODEL/yolov5s.onnx

4 网络结构可视化

使用 netron 工具来可视化网络结构。软件安装命令 snap install netron，结束后输入 netron即可打开软件。

• 【yaml格式】yolov5工程提供的网络文件是【yaml格式】，与yolov3/yolov4提供的【cfg文件】不同，无法直接进行可视化
• 【开源的pt格式】yolov5工程提供了训练好的【pt格式】权重模型，这个模型打开后可视化的结构不是详细的全部网络结构。这里粘贴局部内容
  
• 【onnx格式】我们【pt模型】转换成【onnx模型】，然后再使用netron进行可视化。这里显示的onnx模型，与网络本身定义的有一定的变化，比如没有bn、激活函数变化了。这也不是我们想要的。粘贴局部模型：
  
• 【重新保存的pt模型】我们只想可视化网络结构，与代码中定义的结构保持一致，训练参数暂时不关注。具体方法为：
  在代码【models/yolo.py】中添加如下代码。我们可以看到保存的【test.pt】模型大小为 29.4M，作者提供的【yolov5s.pt】大小为 14.7M。

      inputs = torch.ones(size=(1, 3, 640, 640)).to(device)
      script_model = torch.jit.trace(model,inputs)
      script_model.save("test.pt")
  

  
  
  额外说一句：这里我们在可视化的网络结构图中，发现yolov5中的 Focus操作不见了，这是因为这里显示的是 yolov5s v6.0的结构，将原本的Focus 操作替换成了一个卷积层，方便导出模型。

5 v6.0的更新内容

v6.0 修复了 上一个版本yolov5 v5.0的错误，以及合并了许多新功能；带来了架构调整，还引入了新的模型 P5 和 P6 的纳米版模型：YOLOv5n 和 YOLOv5n6。
Nano模型保持 YOLOv5s de 深度的0.33倍，但将YOLOv5s 的宽度倍数从 0.50减少到0.25，从而减少了约75%的参数，从7.5M 到1.9M，非常适合移动端和CPU解决方案。
 
重要更新：

• Roboflow 集成：使用我们新集成可直接在Roboflow数据集上训练 YOLOv5 模型
• YOLOv5n 纳米模型：低于 YOLOv5s（7.5M参数）的新的更小的 YOLOv5n（1.9M参数）模型，导出INT8模型大小为2.1M，非常适合超轻型移动解决方案。
• TensorFlow 和 Keras 导出：集成了 导出tensorflow、keras、TFLite、TF.js 模型的功能
  python export.py --include saved_model pb tflite tfjs
• OpenCV DNN：导出 YOLOv5 ONNX 模型 支持opencv DNN 和 ONNX Runtime，无需开发者自己修改。导出后调用：python detect.py --weights yolov5n.onnx --dnn --source data/images/bus.jpg --img 640
• 模型架构：更新后的主干更小、更快、更准确
  • 更好的导出性：将【Focus()】替换为一个等效的【Conv(k=6,s=2,p=2)】
  • 减少操作：使用【SPPF()】代替原本的【SPP()】层
  • 提高速度：将backbone中的 P3 中的 C3() 从9个减少为6个
  • 【SPPF()】在主干末端重新排序位置
  • 在最后一个C3() 主干层重新引入 shortcut
  • 更新超参数：增加了 mixup 和 copy-paste 的数据增强
     

v5.0 和 v6.0 的性能对比