本文用于学习记录
文章目录
- 前言
- 一、YOLO v5 环境配置
- 1.1 安装 anaconda 与 pycharm
- 1.2 创建虚拟环境
- 1.3 进入 pytorch 环境
- 1.4 安装 pytorch
- 二、YOLO v5 项目下载实现
- 2.1 YOLO v5 项目下载
- 2.2 解压 yolo v5 项目并导入 Pycharm
- 2.3 添加 Python interpreter
- 2.4 选择 Existing environment
- 2.5 直接运行 detect.py
- 2.6 配置 requirements.txt
- 2.7 重新运行 detect.py
- 2.8 yolov5s.pt 权重文件下载超时
- 2.9 下载 yolov5s.pt 权重文件
- 2.10 detect.py 运行成功
- 2.11 检测视频
- 2.12 检测摄像头
- 2.13 连接手机摄像头
- 三、自制数据集训练自己的模型
- 3.1 新建文件夹存储数据集图片和标签
- 3.2 图片标注
- 3.3 yaml 文件修改
- 3.4 修改并运行 train.py
- 总结
前言
YOLO v5 实现目标检测
一、YOLO v5 环境配置
1.1 安装 anaconda 与 pycharm
- 安装完成以后，按下开始键（ win 键）出现 anaconda3 这个文件夹，说明 anaconda 已经安装好了
- 点击左下图中标红的图标，就可打开 anaconda 的终端如右下图：
1.2 创建虚拟环境
conda create -n 环境名字（英文） python=x.x（python版本）- 输入 conda create -n pytorch1 python=3.9，在 base 环境中这条命令，就会创建一个新的虚拟环境，这个虚拟环境会安装一些基础的包，如左下图所示：
- 询问是否安装的时候，输入 y 就可以创建环境了
1.3 进入 pytorch 环境
conda activate pytorch1- 安装完成后显示如下，输入 conda activate pytorch1 进入 pytorch 环境，输入 pip list 查看已经安装的包
1.4 安装 pytorch
#如果电脑没有英伟达的显卡输入：（在 pytorch 环境下输入）conda install pytorch torchvision cpuonly -c pytorch 
二、YOLO v5 项目下载实现
2.1 YOLO v5 项目下载
- 下载源码，并保存至本地
2.2 解压 yolo v5 项目并导入 Pycharm
- 将本地的 yolov5 项目解压至 Pycharm 特定的 Project 项目中，Pycharm 将会自动识别，并完成加载
- 如左下图所示，已完成 yolov5 项目的导入，进入 File 下的 Settings 进行 python 解释器设置
2.3 添加 Python interpreter
- 选择 Settings 中的 Project yolov5-master 下的 Python interpreter，点击右上角标红的设置选择 add 添加；
2.4 选择 Existing environment
- 进入 Add Python interpreter 选择 Conda Environment 下标红的 Existing environment，点击 OK 之后 python 解释器设置就配置好了；
2.5 直接运行 detect.py
- 直接运行 detect.py，会出现以下问题，即缺少依赖包；
2.6 配置 requirements.txt
#需要导入的 requirements.txt 文件配置，里面包含 yolo5 运行所需依赖，在 Pycharm 的 Terminal 终端输入：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
2.7 重新运行 detect.py
- 安装成功后，再次运行 detect.py，将会检测 data/images 中的图片；
2.8 yolov5s.pt 权重文件下载超时
- 运行结果会在 runs 目录下，但这里没有看到所预测的图片，原因是 yolov5s.pt 权重文件下载超时；
2.9 下载 yolov5s.pt 权重文件
- yolov5s.pt 权重文件下载超时后，可重新运行 detec.py，
- 如果下载太慢，也可进入官网地址下载 yolov5s.pt；
2.10 detect.py 运行成功
- detect.py 运行结果保存到 runs\detect\exp 中，
2.11 检测视频
- 前面是检测图片，可以把想检测的视频放入新建的 data/video 的文件夹中，将代码改成 default=ROOT / ‘data/video’ 即可；
2.12 检测摄像头
- 开启摄像头检测，将代码改成 default=‘0’，便可开启自带摄像头
- 将代码改成 default=‘1’，便可开启 USB 摄像头，进行动态的实时检测
2.13 连接手机摄像头
手机和电脑在同一局域网下（即连接的是同一个 WIFI）
下载 IP 摄像头 Lite
点击打开 IP 摄像头 Lite
点击打开 IP 摄像头服务器
# 修改 detect.py 代码，运行即可parser.add_argument('--source', type=str, default='http://admin:admin@192.168.0.130:8081', help='file/dir/URL/glob/screen/0(webcam)')
报错原因：上述修改未加上用户名和密码 admin：admin@
三、自制数据集训练自己的模型
3.1 新建文件夹存储数据集图片和标签
- 新建文件夹 train_data，在该文件夹下新建 images、labels 两个文件夹
- 分别在这里两个文件夹下新建 train 文件夹
- 将采集的图片（采用手机拍照或者走网上搜索你所需要的数据集）放入 train_data/images/train 文件夹，此时 train_dat/labels/train 文件夹是空的
3.2 图片标注
这是一个在线标注工具，点击 Get Started 进入右图
选择自己前面采集的8张要训练的图片，点击 Object Detection
输入你所需要的标签，在这都是猫的图片，如果种类多样，按 Enter 继续添加输入即可，不需要则点击删除
画框打上标签，给所有图片都打完标签后，选择导出模型标签，如下图所示：
选择第一个 yolo 模型，然年导出，你可以看到你需要的标签已经下载下来了；
导出后，你可以看到该标签文件夹下有8个已经标注好的 txt 文件
把它们复制到之前空的 train_data/labels/train 文件夹中
3.3 yaml 文件修改
- 复制 coco128.yaml 修改为 cat.yaml ，并对其内容进行修改；
3.4 修改并运行 train.py
（这里是由于内存不足报错，）1个 epoch 表示过了1遍训练集中的所有样本
batch-size：1次迭代所使用的样本量
例如定义10000次迭代为1个 epoch，若每次迭代的 batch-size 设为256，那么1个 epoch 相当于过了2560000个训练样本。
于是把 epoch 设置为3，能成功训练，但这样训练出来的模型就没啥效果，所以还得将 epoch 设置的高点，比较不同值训练后的结果，看哪个效果更好。
总结
以上就是 yolov5 的环境配置、运行与训练过程及其中可能出现的问题与解决办法。