【土堆】目标检测 YOLOv5 开源项目入门实战 1（最详尽版）—— 关于 detect.py 参数讲解与 lux ( annie ) & ffmpeg 安装
前言
这是我根据 B 站土堆的 目标检测 YOLOv5 开源代码项目调试与讲解实战 整理撰写的第一篇文章，具体介绍了 YOLOv5 项目中 detect.py 文件的参数，同时也大致讲解了 lux ( annie ) 下载神器的安装过程，所有代码均为视频演示版，非本人原创。在看这篇文章前，请公主王子们确保自己的 YOLOv5 已经配置完成，且项目中的 detect.py 文件也能够成功运行哦~如果在配置 YOLOv5 的过程中遇到问题，可以参考我的上一篇文章，链接放在这里啦：
【土堆】史上最全 YOLOv5 配置问题总结 AttributeError & RuntimeError & AssertionError-CSDN博客文章浏览阅读618次，点赞16次，收藏17次。这篇文章主要记录了作者在配置 YOLOv5 时遇到的问题以及解决方式，作者小白，请多包涵！https://blog.csdn.net/nanzhou520/article/details/134587856
一、利用 YOLOv5 预测
在这个章节，我们将具体讲解 YOLOv5 项目中 detect.py 文件的参数。我参考了土堆的视频教程以及下面这篇博客：
YOLOv5 detect.py文件部分参数使用-CSDN博客文章浏览阅读5.9k次，点赞8次，收藏70次。parser = argparse.ArgumentParser() parser.add_argument('--weights', nargs='+', type=str, default='yolov5s.pt', help='model.pt path(s)') parser.add_argument('--source', type=str, default='data/images', help='source') # file/folder, 0 for webcam .https://blog.csdn.net/qq_44989881/article/details/119275231
如下图所示，这些就是 detect.py 文件中我们需要大致了解的参数。
1、weights
这个 weights 参数用于指定网络模型，默认设置的是 yolov5s.pt， 如果想要使用其他网络模型，可以打开 GitHub 的 YOLOv5 官方开源项目，在 Release 中找到对应版本的模型进行下载，如下图所示：
2、source
这个 source 参数用于给网络模型指定输入，可以对图片，视频等进行目标检测。
parser.add_argument('--source', type=str, default='data/images', help='source') # file/folder, 0 for webcam
| default 值 | 检测对象 |
|---|---|
| data/images | images 文件夹下的所有图片 |
| data/images/bus.jpg | images 文件夹下的 bus.jpg |
| data/video/demo.mp4 | video 文件夹下的所有视频 |
| 0 | 调用笔记本摄像头 |
| 1 | 调用 USB 摄像头 |
【补充】当我们对视频进行目标检测时，通常会在运行时调用 view-img 参数，从而能够实时查看视频每一帧的检测效果。
3、img-size
这个 img-size 参数用于将图片缩放后放入神经网络模型中，通过训练确定标注框的位置，然后将标注框等比例缩放，画在原图片上，因此输入图片的尺寸和输出图片的尺寸相同，未发生改变。在 GitHub 的 YOLOv5 官方开源项目的 Release 中，我们可以看到不同 .pt 模型所对应的 img-size ，例如，由于 yolov5s.pt 模型是在 640 分辨率下进行训练的，所以使用该模型时应将 img-size 设为 640 。
parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')| img-size | 网络模型的类型 |
|---|---|
| 640 | yolov5s.pt |
| yolov5m.pt | |
| yolov5l.pt | |
| yolov5x.pt | |
| 1280 | yolov5s6.pt |
| yolov5m6.pt | |
| yolov5l6.pt | |
| yolov5x6.pt |
4、conf-thres
这个 conf-thres 参数用于设置置信度，当检测目标的概率大于 default 默认值时，就会在图片中被标注出来。
parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold')- default = 0.25：检测目标的概率大于 0.25 时，就会在图片中被标注出来
- default = 0：无论检测目标的概率多少，图片中所有的检测框都 会 被标注出来
- default = 1：无论检测目标的概率多少，图片中所有的检测框都 不 被标注出来
【补充】为了让大家更加直观地感受 conf-thres 参数中 default 值的作用，我将分别展示 default 为 0.25、0 和 1 时的运行情况。
5、iou-thres
这个 iou-thres 参数是交并比阈值，交并比大于 default 阈值的将被视作同一个物体，需要 nms 选取最佳框，小于 default 阈值的则被视作不同物体，不需要做处理，下面的说明可能有点绕口，大家可以看补充的图~
- iou-thres 值 越大 ，则容易将 同一物体 的不同预测结果当成对 多个物体 的不同预测结果，导致同一物品出现了多个预测结果
- iou-thres 值 越小 ，则容易将 多个物体 的不同预测结果当成对 同一物体 的不同预测结果，导致不同物品只出现一个预测结果
parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS')【补充】为了让大家更加直观地了解 IoU 交并比的意义，我在这里贴了视频教程的相关截图，第二张图包含了 IoU 的计算公式。
【说明】在上面的示例图中，同一 Person 有三个框，若要选择最佳的框，可采用 IoU 的方法选取与真实标注框交并比最大的那个框。
【补充】为了让大家更加直观地感受 iou-thres 参数中 default 值的作用，我将分别展示 default 为 0.45、0 和 1 时的运行情况。
6、device
这个 device 参数用于选择代码运行所使用的设备，例如 cuda 或者 cpu ，若 default 默认值为空，则会自动检测。
parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')7、view-img
这个 view-img 参数没有 default 默认值，只有 action 值，若在终端运行时指定了这个参数，就被设置为 True，从而能在运行过程中实时显示图片或者视频的检测结果，若在终端运行时未指定这个参数，则被设置为 False 。
parser.add_argument('--view-img', action='store_true', help='display results')通常来说，我们指定 view-img 参数的方式有以下两种：
- 直接在 PyCharm 的 Terminal 终端运行 python detect.py --view-img 命令
- 打开 PyCharm 右上角的 Edit Configuration 窗口，在 Parameters 中设置 --view-img 参数
【注意】我们通常借助 view-img 参数来实时查看视频的检测情况，且 view-img 参数被调用后会设置为 True ，具体效果如下所示：
8、save-txt
这个 save-txt 参数用于将检测结果保存为 txt 文件，具体的参数设置与运行效果如下图所示：
parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')
9、*save-conf
这个 save-conf 参数用于确认是否以 .txt 格式保存目标的置信度，必须与 save-txt 参数配合使用，具体如图所示：
parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels')
10、*nosave
这个 nosave 参数用于不对预测结果进行保存，但仍会生成空的 exp 文件夹，我们平时对 nosave 调用不多，但如果在对视频进行检测时，将其与 view-img 配合使用，就可以不用保存很多 txt 文件啦~
parser.add_argument('--nosave', action='store_true', help='do not save images/videos')
11、classes
这个 classes 参数用于指定想要检测的类别，如果只想检测 人 这个类别，我们可以调用 --classes 0 ，具体运行效果如下图所示：
parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --class 0, or --class 0 2 3')12、*agnostic-nms
这个 agnostic-nms 参数是增强版的 nms ，可以提高检测框框右上角的置信度，具体运行效果如下图所示（但是我的效果不太明显）：
parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')13、*augment
这个 augment 参数也是用于增强的，同样可以提高检测框框右上角的置信度，具体运行效果如下图所示（这个效果明显点）：
parser.add_argument('--augment', action='store_true', help='augmented inference')14、update
这个 update 参数用于对所有模型进行 strip_optimizer 操作，去除 .pt 文件中的优化器等不必要的信息。
parser.add_argument('--update', action='store_true', help='update all models')
15、project
这个 project 参数就是我们预测结果保存的路径。
parser.add_argument('--project', default='runs/detect', help='save results to project/name')
16、name
这个 name 参数就是我们预测结果保存的文件夹名字。
parser.add_argument('--name', default='exp', help='save results to project/name')
17、exist-ok
这个 exist-ok 参数用于确认本次预测结果是否保存在原来的文件夹，如果调用这个参数，那么本次预测结果会保存在 name 指定的文件夹中，如果未调用这个参数，则将保存在自动新建的文件夹中，具体运行效果如下图所示：
parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
18、调试看参
通过分析 detect.py 文件可知，所有参数最终都会被放到 opt 中，我们可以通过打断点的方式 调试看参 （前面也用到过）：
二、安装 lux (annie) 下载神器
安装 lux 是为了能够在 B 站下载视频样例，从而更直观地感受 YOLOv5 对视频进行的目标检测，具体安装过程我参考了这篇文章：
视频下载工具lux与ffmpeg的安装与使用_Yukee_的博客-CSDN博客文章浏览阅读128次。一行命令下载全网视频https://blog.csdn.net/Yukee_/article/details/132300561
1、安装 lux (annie)
为了让王子公主们能够更方便地安装 lux，微臣在这里提供了【Releases】按钮，点击就能去对应页面下载 lux 。
我安装的是 lux_0.22.0_Windows_x86_64，大家可以点击【Download】按钮进行下载，网址我也贴在这里啦：
https://github.com/iawia002/lux/releases/download/v0.22.0/lux_0.22.0_Windows_x86_64.zip压缩包下载成功后，我将其解压至 E:\YOLOv5\annie 文件夹，然后进行系统环境变量的设置，具体如图所示：
最后，我们可以在当前目录地址栏直接输入 cmd ，按回车后进入命令行窗口，执行 lux 命令，如果出现下图则说明配置成功：
2、安装 ffmpeg
微臣同样提供了 ffmpeg 的【Releases】按钮帮助大家跳转至对应页面进行下载。
我安装的是 ffmpeg-n6.0-latest-win64-gpl-6.0.zip，大家可以点击【Download】按钮进行下载，网址我也贴在这里啦：
https://github.com/BtbN/FFmpeg-Builds/releases/download/latest/ffmpeg-n6.0-latest-win64-gpl-6.0.zip压缩包下载成功后，我将其解压至 E:\YOLOv5\ffmpeg 文件夹，然后进行系统环境变量的设置，注意是 bin 目录路径，具体如图所示：
最后，我们可以在命令行窗口输入 ffmpeg -version 命令并执行，如果出现下图则说明配置成功：
3、下载 B 站视频
在命令行窗口执行 lux 视频地址 命令下载 B 站视频，注意当前路径应该是你希望视频保存的文件夹路径哟~
Ending
因为担心文章篇幅过长，所以我将《目标检测 YOLOv5 开源项目入门实战》这个系列写成了三篇文章：
- 第一篇 具体介绍了 YOLOv5 项目 Tags5 版本中 detect.py 文件的参数，同时也大致讲解了 lux ( annie ) 的安装过程；
- 第二篇 具体介绍了 YOLOv5 项目 Tags5 版本中 train.py 文件的参数，大致涵盖了 34 个参数；
- 第三篇 具体讲解了如何使用云端 GPU 训练 YOLOv5 模型，以及如何自制数据集并对其进行训练。
作者目前还是小白阶段，可能在撰写文章的过程中存在很多不足和问题，请王子公主们多多包涵！当然也欢迎大家提出建议，微臣主打一个听劝！最后非常感谢大家能够阅读我的文章~希望大家生活顺利！