YOLOv5实现车辆检测(含车辆检测数据集+训练代码)

目录

YOLOv5实现车辆检测(含车辆检测数据集+训练代码)

1. 前言

2. 车辆检测数据集说明

（1）车辆检测数据集

（2）自定义数据集

3. 基于YOLOv5的车辆检测模型训练

（1）YOLOv5说明

（2）准备Train和Test数据

（3）配置数据文件

（4）配置模型文件

（5）重新聚类Anchor（可选）

（6）开始训练

（7）可视化训练过程

4. Python版本车辆检测效果

5. Android版本车辆检测效果

6.项目源码下载

1. 前言

本篇博客，我们将手把手教你搭建一个基于YOLOv5的车辆目标检测项目。目前，基于YOLOv5s的车辆平均精度平均值mAP_0.5=0.57192，mAP_0.5:0.95=0.41403，基本满足业务的性能需求。另外，为了能部署在手机Android平台上，本人对YOLOv5s进行了模型轻量化，开发了一个轻量级的版本yolov5s05_416和yolov5s05_320，在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。

先展示一下Python版本车辆检测Demo效果：

【 整套项目下载地址】：YOLOv5实现车辆检测(含车辆检测数据集+训练代码)

【尊重原创，转载请注明出处】https://panjinquan.blog.csdn.net/article/details/128099672

2. 车辆检测数据集说明

（1）车辆检测数据集

目前收集了约10W+的车辆检测数据集：UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集:

关于车辆检测数据集使用说明和下载，详见另一篇博客说明：《UA-DETRAC BITVehicle车辆检测数据集(含下载地址)》

（2）自定义数据集

如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：

1. 采集图片，建议不少于200张图片
2. 使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub – wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).
3. 将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub
4. 生成训练集train.txt和验证集val.txt文件列表
5. 修改engine/configs/voc_local.yaml的train和val的数据路径
6. 重新开始训练

3. 基于YOLOv5的车辆检测模型训练

（1）YOLOv5说明

训练Pipeline采用YOLOv5:https://github.com/ultralytics/yolov5, 原始代码训练需要转换为YOLO的格式，不支持VOC的数据格式。为了适配VOC数据，本人新增了LoadVOCImagesAndLabels用于解析VOC数据集，以便正常训练。另外，为了方便测试，还增加demo.py文件，可支持对图片,视频和摄像头的测试。

Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应

matplotlib>=3.2.2numpy>=1.18.5opencv-python>=4.1.2PillowPyYAML>=5.3.1scipy>=1.4.1torch>=1.7.0torchvision>=0.8.1tqdm>=4.41.0tensorboard>=2.4.1seaborn>=0.11.0pandasthop  # FLOPs computationpybaseutils==0.6.5

（2）准备Train和Test数据

下载车辆检测数据集，总共约10W+的图片：UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集

考虑到UA-DETRAC车辆检测数据集比较大，其训练的模型的检测效果相对比较好，因此后续以UA-DETRAC车辆检测数据集为示例，说明训练过程。其他数据集训练，请根据自己环境，适当修改即可。

（3）配置数据文件

• 修改训练和测试数据的路径：engine/configs/voc_local.yaml

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]# 数据路径path: ""  # dataset root dirtrain:  - "path/to/UA-DETRAC/DETRAC-VOC/DETRAC-train-voc/train.txt"  - "path/to/UA-DETRAC/DETRAC-VOC/DETRAC-test-voc/test.txt" # 做模型性能测试时，测试集不要加入，避免指标有歧义val:  - "path/to/UA-DETRAC/DETRAC-VOC/DETRAC-test-voc/test.txt"test:  # test images (optional)data_type: voc# 1.设置类别个数，和要训练的类别名称，ID号从0开始递增nc: 4  # number of classesnames: { 'car': 0, 'bus': 1,  'van': 2,'others': 3 }# 2.如果你想合并几个类别进行训练，比如将'[car','bus','van']看作一类，others看作另一类，则#nc: 2  # number of classes#names: { 'car': 0, 'bus': 0,  'van': 0,'others': 1 }# 3.如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别#nc: 1  # number of classes#names: { "unique": 0 }

• 如果你想合并几个类别进行训练，比如将'[car’,’bus’,’van’]看作一类，others看作另一类，则修改engine/configs/voc_local.yaml：

nc: 2  # number of classesnames: { 'car': 0, 'bus': 0,  'van': 0,'others': 1 }

• 如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别

nc: 1  # number of classesnames: { "unique": 0 }

（4）配置模型文件

官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。从性能来看，yolov5s05比yolov5s快5多倍，而mAP下降了10%（0.57→0.47），对于手机端，这精度勉强可以接受。

下面是yolov5s05和yolov5s的参数量和计算量对比：

（5）重新聚类Anchor（可选）

官方yolov5s的Anchor是基于COCO数据集进行聚类获得（详见models/yolov5s.yaml文件）

对于yolov5s05的Anchor，由于输入大小640缩小到320，其对应的Anchor也应该缩小一倍：

一点建议：

• 官方yolov5s的Anchor是基于COCO数据集进行聚类获得，不同数据集需要做适当的调整，其最优Anchor建议重新进行聚类。
• 当然你要是觉得麻烦就跳过，不需要重新聚类Anchor，这个影响不是特别大。如果你需要重新聚类，请参考engine/kmeans_anchor/demo.py文件

（6）开始训练

整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

• 修改训练超参文件： data/hyps/hyp.scratch-v1.yaml （可以修改训练学习率，数据增强等方式，使用默认即可）
• 编辑train.sh脚本训练，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可)

#!/usr/bin/env bash#--------------训练yolov5s--------------# 输出项目名称路径project="runs/yolov5s_640"# 训练和测试数据的路径data="engine/configs/voc_local.yaml"# YOLOv5模型配置文件cfg="yolov5s.yaml"# 训练超参数文件hyp="data/hyps/hyp.scratch-v1.yaml"# 预训练文件weights="engine/pretrained/yolov5s.pt"python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 64 --imgsz 640 --workers 12 --project $project#--------------训练轻量化版本yolov5s05_416--------------# 输出项目名称路径project="runs/yolov5s05_416"# 训练和测试数据的路径data="engine/configs/voc_local.yaml"# YOLOv5模型配置文件cfg="yolov5s05_416.yaml"# 训练超参数文件hyp="data/hyps/hyp.scratch-v1.yaml"# 预训练文件weights="engine/pretrained/yolov5s.pt"python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 64 --imgsz 416 --workers 12 --project $project#--------------训练轻量化版本yolov5s05_320--------------# 输出项目名称路径project="runs/yolov5s05_320"# 训练和测试数据的路径data="engine/configs/voc_local.yaml"# YOLOv5模型配置文件cfg="yolov5s05_320.yaml"# 训练超参数文件hyp="data/hyps/hyp.scratch-v1.yaml"# 预训练文件weights="engine/pretrained/yolov5s.pt"python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 64 --imgsz 320 --workers 12 --project $project

• 开始训练： bashtrain.sh

• 训练数据量比较大，训练时间比较长，请耐心等待哈
• 训练完成后，在模型输出目录中有个results.csv文件，记录每个epoch测试的结果，如loss,mAP等信息

训练模型收敛后，yolov5s车辆检测的mAP指标大约mAP_0.5=0.57192；而，yolov5s05_416 mAP_0.5=0.47022左右；yolov5s05_320 mAP_0.5=0.44788左右

（7）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法：

# 基本方法tensorboard --logdir=path/to/log/# 例如tensorboard --logdir ./data/model/yolov5s_640

当然，在输出目录，也保存很多性能指标的图片

• 这是训练epoch的可视化图，可以看到mAP随着Epoch训练，逐渐提高

• 这是每个类别的F1-Score分数

• 这是模型的PR曲线

• 这是混淆矩阵：

4. Python版本车辆检测效果

demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

• 测试图片

# 测试图片image_dir='data/car-test' # 测试图片的目录weights="data/model/yolov5s_640/weights/best.pt" # 模型文件out_dir="runs/car-result" # 保存检测结果python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dir

• 测试视频文件

# 测试视频文件video_file="data/car-video.mp4" # path/to/video.mp4 测试视频文件，如*.mp4,*.avi等weights="data/model/yolov5s_640/weights/best.pt" # 模型文件out_dir="runs/car-result" # 保存检测结果python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

• 测试摄像头

# 测试摄像头video_file=0 # 测试摄像头IDweights="data/model/yolov5s_640/weights/best.pt" # 模型文件out_dir="runs/car-result" # 保存检测结果python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

如果想进一步提高模型的性能，可以尝试：

1. ​增加训练的样本数据： 目前只有10W+的数据量，建议根据自己的业务场景，采集相关数据，提高模型泛化能力
2. 使用参数量更大的模型： 本教程使用的YOLOv5s，其参数量才7.2M，而YOLOv5x的参数量有86.7M，理论上其精度更高，但推理速度也较慢。
3. 尝试不同数据增强的组合进行训练

5. Android版本车辆检测效果

已经完成Android版本车辆检测模型算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约20ms左右 ，基本满足业务的性能需求。详细说明请查看《Android实现车辆检测(含Android源码，可实时运行)》

Android Demo体验：

6.项目源码下载

整套项目源码内容包含：车辆检测数据集 +YOLOv5训练代码和测试代码

整套项目下载地址：YOLOv5实现车辆检测(含车辆检测数据集+训练代码)

（1）车辆检测数据集：UA-DETRAC BITVehicle车辆检测数据集(含下载地址)

1. UA-DETRAC车辆检测数据集
2. Vehicle-Dataset车辆检测数据集
3. BIT-Vehicle车辆检测数据集

（2）YOLOv5训练代码和测试代码（Pytorch）

1. 整套YOLOv5项目工程的训练代码和测试代码
2. 支持高精度版本yolov5s训练和测试
3. 支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试
4. 根据本篇博文说明，简单配置即可开始训练