yolov5简易使用

1.环境配置

从github上下载好yolov5源码后,根据requirement文件配置环境,使用conda新建一个仿真环境,接着使用

pip install -r requirements.txt

来安装环境,安装后首先运行detect.py

发现安装后的环境不能使用,报错为

ERROR: torch has an invalid wheel, torch has an invalid wheel, .dist-info directory not found

原因是torch版本比较老,因此使用指令

pip install torch1.7.0+cpu torchvision0.8.1+cpu torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

来安装torch和torchvision,之后即可成功运行detect.py,并能输出预测后的图片

2.运行detect.py

yolov5简易使用_第1张图片

这里即为运行detect.py的参数, --weights即为预测使用的权重文件,这里使用的是官方的yolov5l.pt;--source用来指定输入文件,也可以更改为视频的路径;--img-size为输入图片大小,如果原图片不是这个尺寸,模型也将对他进行resize;--conf-thres一般默认为0.25,--iou-thres为交并比阈值,大于0.45的才被预测;--view-img为在运行时显示预测结果,想要开启此功能,即在终端运行代码时,加入此选项,python detect.py --view-img;其他的参数包括训练后的结果保存路径等,这里不再赘述。

最终预测后可在runs/detece下找到预测后的图片

yolov5简易使用_第2张图片

3.运行train.py 

接着我们开始讲解训练部分,可以看到这里同样也有参数设置部分,--weights为指定的预训练权重,即参数将被初始化为这里的数据;--cfg和--hyp为一些模型参数和超参数的初始化设置;--data为用于训练的样本,原代码使用的是coco128数据集;接着看到epoch设为300轮,img_size设为640*640,batch_size设为16;--resume这个参数用于接着上次中断训练的部分接着训练,只需要把default改为上一次的训练输出即可,例如default='runs/train/exp/weight/last.pt',其余参数一般不需要改动,稍微了解即可。

yolov5简易使用_第3张图片

使用python train.py进行训练.

4.云端训练

使用google的Colab进行训练

教程为我之前的一篇博客:使用Colab训练yolo

关于训练的预测的代码原理详解会在之后更新

你可能感兴趣的:(pytorch目标检测,YOLO)