yolov5-v7.0实例分割快速体验

简介

yolov5-v7.0版本正式发布，本次更新的v7.0则是全面的大版本升级，最主要的功能就是全面集成支持了实例分割，yolov5已经集成检测、分类、分割任务。

前面几篇文章已经介绍过关于Yolov5的一些方面

yolov5目标检测:https://blog.csdn.net/qq_45066628/article/details/129470290?spm=1001.2014.3001.5501

yolov5分类:https://blog.csdn.net/qq_45066628/article/details/129594154?spm=1001.2014.3001.5501

yolov5网络结构及训练策略简介:https://blog.csdn.net/qq_45066628/article/details/129715417?spm=1001.2014.3001.5501

检测 分类 分割区别

1. 图像分类（image classification）

识别图像中存在的内容，如下图，有人（person）、树（tree）、草地（grass）、天空（sky）

2. 目标检测（object detection）

识别图像中存在的内容和检测其位置

3. 语义分割（semantic segmentation）

对图像中的每个像素打上类别标签，如下图，把图像分为人（红色）、树木（深绿）、草地（浅绿）、天空（蓝色）标签,简而言之就是对一张图片上的所有像素点进行分类。

4. 实例分割（instance segmentation）

其实就是目标检测和语义分割的结合。相对目标检测的边界框，实例分割可精确到物体的边缘；相对语义分割，实例分割需要标注出图上同一物体的不同个体。对比上图、下图，如以人（person）为目标，语义分割不区分属于相同类别的不同实例（所有人都标为红色），实例分割区分同类的不同实例（使用不同颜色区分不同的人）

5. 全景分割（panoptic segmentation）

全景分割是语义分割和实例分割的结合。
跟实例分割不同的是：实例分割只对图像中的object进行检测，并对检测到的object进行分割，而全景分割是对图中的所有物体包括背景都要进行检测和分割。

快速体验

项目下载

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

数据集准备

1. 准备训练数据，如果自己没有数据可以去Roboflow官网 或kaggle官网 下载数据或coco官网 ,ImageNet官网

• Roboflow官网 https://universe.roboflow.com/paul-guerrie-tang1/asl-poly-instance-seg/dataset/25
• Kaggle官网 https://www.kaggle.com/datasets

2. 数据标注，可以使用Labelimg数据标注工具,之前文章已经讲过了，这里就不赘述了
3. 数据划分,划分格式如下
   

下载权重文件

官网地址;https://github.com/ultralytics/yolov5/releases/v7.0

配置文件参数修改

1. 将Models下的segment下的自己下载的对应权重文件-seg.yaml（例如yolov5l-seg.yaml）里面的nc改为自己的类别数
   
   
2. 在data下的coco128-seg.yaml里修改训练，验证及测试的路径已经，类别种类
   

运行方式一：在segment下的train里面改模型，配置文件，数据路径,其余参数可根据需要配置

改完后执行python train.py后开始训练

运行方式二：直接执行命令

python segment/train.py --data coco128-seg.yaml --weights yolov5m-seg.pt --img 640 --cfg models/segment/yolov5m-seg.yaml

推理和验证

也可通过修改segment下的predict.py和val.py 或者直接执行命令,weights为自己训练后的模型best模型路径

验证:

python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640

推理：

python segment/predict.py --weights yolov5m-seg.pt --data data/images/bus.jpg

onnx导出

python export.py --weights runs/train-cls/exp4/weights/best.pt --include engine --device 0