使用YOLOV5-6.2预训练模型(yolov5s)进行detect的详细说明（detect.py）文件解析

准备

源文件和预训练文件下载

下载链接：https://github.com/ultralytics/yolov5/releases/tag/v6.2
源文件和预训练模型如下：

python版本以及torch版本说明：

• python：3.9.3
• pytorch：
  

因为我是cuda 11.8，所以是安装了这个版本的。但不是只有该版本才能使用v5-6.2。由于6.2版本是2022年发布的，所以相近几年的都可以

文件目录说明

如图：

测试文件

demo2.jpg

detect.py使用

测试单张图片

基本的命令：

python detect.py --source ./demo/demo2.jpg --weights YOLOv5s.pt --project  "runs/detect/demo1" --device 0 --view-img --save-txt

参数解析：

• --device：配置GPU加速，第一个GPU设备。

• 指定输出结果的文件夹： --output ./demo/demo1。现在已经不能指定这个参数了。而是配合project参数以及name来代替，及project/name。结果路径保存的地方runs/detect/demo1/exp。还有一个参数exist_ok，这个参数指定的话，就会存在exp文件里。如果不指定，在此运行，结果会存在exp+int(i)这样，递增的文件夹里，如：

• --view-img：虽然会显示图片，但是会一闪而过的。

• --save-txt：这里是保存的目标检测对应的标签，以及对象框的信息，如：

• --save-crop：保存裁剪后的预测框的图片：

• --save-conf：保存预测的置信度到save-txt制定的txt文件里效果如下：

  

  最后添加的0.734整好是预测框的置信度。

• --visualize:这个关键字就比较有意思了，制定这个关键字，可以可视化detect时每个步骤捕捉到的特征。然后保存在指定的project/name里。比如：
  

  由于detect时，使用的是yolov5s的模型结构，在tensorboard中查看这个模型的结构，整好也是ConV[0]-ConV[23]。
  

首先，查看stage0_Conv_features.png:

然后查看一下Covn[0]的结构：

是上面方框是吻合的。

• --augment:增强推理。精确度会上升，但是可能会导致--visualize关键字失效。

  

detect.py里就是一个run()以及一个命令行解析函数parse_opt。命令行参数与run中的关键参数就差在连接符上。比如命令行参数exist-ok，而run里对应的关键字参数是`exist_ok

• 其他参数：后面有研究再更新…

测试一个文件夹里的图片

直接将--source制定为文件夹即可。其他没有任何不同