TensorRT优化部署实战项目：YOLOv5人员检测

系列文章目录

第一章 YOLOv5模型训练集标注、训练流程
第二章 YOLOv5模型转ONNX,ONNX转TensorRT Engine
第三章 TensorRT量化

---

---

前言

学习笔记–恩培老师

---

一、配置深度学习环境

Linux系统的话为了配置方便，可以直接使用autodl算力云服务器 (新人有10元免费优惠券。)

YOLOv5实战TensorRT部署-Windows

1. 安装Visual Studio 2019vs下载链接https://visualstudio.microsoft.com/zh-hans/downloads/
   最好下载2019版本与后面cMake相匹配
2. 下载和安装nvidia显卡驱动
3. 下载安装CUDA和cuDNN（11.6+8.5）
4. 安装Anaconda
5. 安装pytorch（python3.9+torch1.9)

YOLOv8项目克隆和安装
YOLOv5下载地址 https://github.com/ultralytics/yolov5

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

下载预训练权重文件并放置在新建立的weights文件夹下，先下载yolov5s.pt

4） 安装测试

命令参数说明 https://docs.ultralytics.com/modes/predict/
预测图片

yolo predict model=D:\code\pythonProject5\yolov5-master\yolov5-master\weights\yolov5s.pt source=D:\code\pythonProject5\yolov5-master\yolov5-master\data\images\bus.jpg

批量预测图片

 yolo predict model=D:\code\pythonProject5\yolov5-master\yolov5-master\weights\yolov5s.pt source=D:\code\pythonProject5\yolov5-master\yolov5-master\data\images

预测图片并存储推理结果：

 yolo predict model = D:\code\pythonProject5\yolov5-master\yolov5-master\weights\yolov5s.pt source=D:\code\pythonProject5\yolov5-master\yolov5-master\data\images\bus.jpg save_txt

预测摄像头：

yolo predict model=D:\code\pythonProject5\yolov5-master\yolov5-master\weights\yolov5s.pt source=0 show

二、YOLOv5训练自定义数据

2.1 标注数据

安装labelImg

pip install labelImg
lablelImg  #启动

这边先选择YOLO格式，再进行标注

选择旁边的Create RectBox 就可以选择矩形框，然后添加标签

然后点击保存，即可得到两个文件，位置信息和类别信息。

每行数据格式为：类别id,x_center,y_center,width,height;

第一个是类别id(必须从0开始），接下来是x,y,wh,归一化到（0-1）

2.2 准备数据集

1. 采用公开数据集WiderPerson下载链接https://cvmart.net/dataSets/detail/243

下载好的文件目录如下

2. 转yolo格式，使用JupyterLab更加直观
打开Readme 可以看到class_label不是从0开始的，也不是按照yolo数据格式存储的x1,y1不是中心点坐标，而是左上角坐标，x2,y2是右下角坐标，所以需要进行yolo格式转换。

读取标注文件，转yolo格式

import cv2
import os
import numpy as np
import matplotlib.pyplot as plt
import glob
import shutil
import tqdm

#读取标注文件，转为yolo格式
def convert2yolo(imgId,savePathPrefix='./person_data/labels/train'):
    """

    :param imgId: 图片id
    :param savePathPrefix: 保存的yolo格式标注文件路径前缀
    :return yoloLabbelFile: yolo格式的标注文件路径
    """
    #打开标注文件
    lines = []
    oriLabelFile = './Annotations/'+imgId+".jpg.txt"
  
    #打开标注文件
    with open(oriLabelFile,'r') as f:
        # 读取所有行
        lines = f.readlines()
        # 转为list
        lines = [line.strip() for line in lines]
    # 第一行为图片宽和高，可以直接跳过
    boxes = lines[1:] #[class_label,x1,y1,x2,y2]
    boxes = [box.split(' ') for box in boxes]

    #读取标注文件对应图片
    imgFile = './Images/'+imgId +'.jpg'
    img = cv2.imread(imgFile)

    #转为yolo格式：类别id x_center y_center width height 归一化到0-1 保留6位小数
    yolo_boxes = []
    img_h,img_w, _ = img.shape
    for box in boxes:
        class_label = int(box[0])-1
        x1,y1,x2,y2 = [int(i) for i in box[1:]]
        x_center = round((x1+x2)/2/img_w,6)
        y_center = round((y1+y2)/2/img_h,6)
        width =round((x2-x1)/img_w,6)
        height = round((y2-y1)/img_h,6)
        yolo_boxes.append([class_label,x_center,y_center,width,height])

    #写入txt文件
    #生成yolo格式的标注文件
    # 生成yolo格式的标注文件
    yoloLabelFile = savePathPrefix + imgId + '.txt'
    with open(yoloLabelFile, 'w') as f:
        for yolo_box in yolo_boxes:
            f.write(' '.join([str(i) for i in yolo_box]) + '\n')
    if os.path.exists(yoloLabelFile):
        return yoloLabelFile
    else:
        return None

3. 用来测试样本图片

import cv2
import matplotlib.pyplot as plt
import numpy as np

def yoloDraw(img, yoloLabelFile):
    """
    :param img: 图片（NumPy数组）
    :param yoloLabelFile: yolo格式的标注文件路径
    :return:
    """
    img_copy = img.copy()
    color_dict = {0: (255, 0, 0), 1: (0, 255, 0), 2: (0, 0, 255), 3: (255, 255, 0), 4: (0, 255, 255)}
    with open(yoloLabelFile, 'r') as f:
        lines = f.readlines()
        lines = [line.strip() for line in lines]
        boxes = [line.split(' ') for line in lines]
        for box in boxes:
            class_label = int(box[0])
            x_center, y_center, width, height = [float(i) for i in box[1:]]
            x1 = int((x_center - width / 2) * img_copy.shape[1])
            y1 = int((y_center - height / 2) * img_copy.shape[0])
            x2 = int((x_center + width / 2) * img_copy.shape[1])
            y2 = int((y_center + height / 2) * img_copy.shape[0])
            cv2.rectangle(img_copy, (x1, y1), (x2, y2), color_dict[class_label], 2)
            cv2.putText(img_copy, str(class_label), (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, color_dict[class_label], 1)

    plt.imshow(np.uint8(img_copy[:, :, ::-1]))
    plt.axis('off')
    plt.show()

随机取一个图片ID进行测试

test_imgId = '000099'

展示图片

 imgFile = './Images/' + test_imgId + '.jpg'
    # 复制到当前目录
    shutil.copy(imgFile, './')
    img = cv2.imread(imgFile)
    plt.imshow(img[:,:,::-1])

生成txt

yoloLabelFile = convert2yolo(test_imgId,savePathPrefix='./')

写入类别文件

with open('./classes.txt','w') as f:
    f.writelines(['0 pedestrians\n','2: riders\n','3: partially-visible persons\n','4: ignore regions\n','5: crowd'])

测试图片如下所示，说明转换成功

yoloDraw(img,yoloLabelFile)

4. 创建数据集目录

#创建多级文件路径 ./person_data/images/train,./person_data/images/val,./person_data/labels/train,./person_data/labels/val

if not os.path.exists('/person_data'):
    os.mkdir('./person_data')
    
if not os.path.exists('/person_data/images'):
    os.mkdir('./person_data/images')
    
if not os.path.exists('/person_data/images/train'):
    os.mkdir('./person_data/images/train')
    
if not os.path.exists('/person_data/images/val'):
    os.mkdir('./person_data/images/val')
    
if not os.path.exists('/person_data/images'):
    os.mkdir('./person_data/labels')
    
if not os.path.exists('/person_data/labels/train'):
    os.mkdir('./person_data/labels/train')
    
if not os.path.exists('/person_data/labels/val'):
    os.mkdir('./person_data/labels/val')

获取训练集和测试集文件并打印数量

#获取所有训练和测试图片的文件名
train_img_file_names =[]
with open('./train.txt','r') as f:
    train_img_file_names = f.readlines()
    train_img_file_names = [x.strip() for x in train_img_file_names]
with open('./val.txt','r') as f:
    val_img_file_names = f.readlines()
    val_img_file_names = [x.strip() for x in val_img_file_names]
print('train_img_file_names',len(train_img_file_names))
print('val_img_file_names',len(val_img_file_names))

对训练集和测试集进行处理

#处理训练集
for img_file_name in tqdm.tqdm(train_img_file_names,desc='train'):
    #转为yolo格式
    yoloLabelFile = convert2yolo(img_file_name,savePathPrefix='./person_data/labels/train/')
    if yoloLabelFile:
        #复制图片到指定路径
        imgFile = './Images/'+img_file_name+'.jpg'
        shutil.copy(imgFile,'./person_data/images/train/'+img_file_name+'.jpg')

#处理验证集
for img_file_name in tqdm.tqdm(val_img_file_names,desc='val'):
    #转为yolo格式
    yoloLabelFile = convert2yolo(img_file_name,savePathPrefix='./person_data/labels/val/')
    if yoloLabelFile:
        #复制图片到指定路径
        imgFile = './Images/'+img_file_name+'.jpg'
        shutil.copy(imgFile,'./person_data/images/val/'+img_file_name+'.jpg')

    

检查文件数量，验证一下处理前后数量是否一致。

print('train_img_file_names',len(os.listdir('./person_data/images/train')))
print('train_img_file_names',len(os.listdir('./person_data/labels/train')))
print('val_img_file_names',len(os.listdir('./person_data/labels/val')))
print('val_img_file_names',len(os.listdir('./person_data/labels/val')))

2.3 训练

复制yolov5/data下的coco128.yaml并重命名为person_data,并修改如下，

最后记得修改类别，yaml文件中只留下以下部分：

path: ../datasets/person_data  # dataset root dir
train: images/train  # train images (relative to 'path') 128 images
val: images/train  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
# nc:5
# names:[pedestrians,riders,partially-visible persons,ignore regions,crowd]
names:
  0: pedestrians
  1: riders
  2: partially-visible
  3: ignore regions
  4: crowd

再修改yolov5s的配置文件，在model/yolov5s.yaml,修改类别为5即可。

下载对应的预训练模型权重文件，可以放到weights目录下，设置本机最好性能参数，即可开始训练。

python ./train.py --data ./data/person_data.yaml --cfg ./models/yolov5s_person.yaml --weights ./weights/yolov5s.pt --batch-size 32 --epochs 120 --workers 0 --name s_120 --project yolo_person_s

训练开始，大概五六个小时

2.4 可视化

2.4.1 wandb

使用wandb进行可视化，推荐链接：wandb可视化
wandb官网链接：https://wandb.ai/site

2.4.2 TensorBoard

tensorboard --icgdir=./yolo_person_s

---

2.5 测试评估模型

测试模型

python detect.py --source ./000057.jpg --weights ./yolo_person_s/s_120/weights/best.pt --conf-thres 0.3

python detect.py --source ./c3.mp4 --weights ./yolo_person_s/s_120/weights/best.pt --conf-thres 0.3

评估模型

python val.py --data ./data/coco_person.yaml --weights ./yolo_person_s/s_120/weights/best.pt --batch-size 12

总结

后续内容将继续补充.