YOLOv5 入门保姆级教程

YOLOv5   模型检测

1.关键参数（常用）

（1）weights：训练好的模型文件

（2）source：检测的目标，可以是单张图片、文件夹、屏幕或者摄像头等

python detect.py --weights yolov5s.pt --source 0 #打开摄像头/img.jpg #打开图片/video.mp4 #视频/screen #整个屏幕

（3）conf-thres：置信度阈值，越低框越多，越高框越少

（4）iou-thres：IOU阈值，越低框越少，越高框越多

（5）max-det：在一张图片中最大的检测数量

（6）classes：指定类别以后，只检测出指定的类别

2.基于torch.hub的检测方法

import torch

# 确保你提供的路径正确，并且该目录包含hubconf.py文件
model_dir = 'E:/yolov5-7.0/'

# 从本地路径加载YOLOv5s模型
model = torch.hub.load(model_dir, 'yolov5s', source='local')

# 确保图像路径正确
image_path = './data/images/cat.png'

#Results
results = model(image_path)

# 显示结果
results.show()

YOLOv5   数据集构建

准备工作

1.数据收集

图片

视频（用OpenCV进行抽帧）

创建一个resource的文件夹，结构如下

在extra.ipynb中写入以下代码

import cv2
import matplotlib.pyplot as plt

#打开视频
video = cv2.VideoCapture("./favorite.mp4")
#读取一帧
ret,frame = video.read()

img = cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)
plt.imshow(img)

试运行，能看到一帧图像.

接着在extra.ipynb中写入以下代码，会在images文件夹下传入指定帧的图像.

video = cv2.VideoCapture("./favorite.mp4")
num = 0         #计数器
interval = 10   #间隔帧
while True:
    ret,frame = video.read()
    num += 1
    if ret:
        if num % interval == 0:
            cv2.imwrite("./images/"+str(num)+".jpg",frame)
    else:
        break

2.标注工具

打开终端，激活YOLOv5的环境，输入“pip install labelimg”命令.

下载好以后输入“labelimg”.

点击opendir,选择要标注的图片所在的文件夹，弹出的第二个框选择label（标注好的图像放置的文件夹），建议images和label并列.

在左侧栏目中找到并把它替换为yolo,再点击save，最终就会以YOLOv5的方式存下来.同时在view中打开auto save mode,这样不用每次手动保存.

开始标注每一张图像.

快捷键W: Create  RectBox

A: 上一张

D: 下一张

模型训练

1.整理数据集

images文件夹下有train（训练集）和val（验证集）两个文件夹，label文件夹下也有train和val两个文件夹，classes.txt可以放在外层文件夹（我的是resource），即与images并列.

2.关键参数

weights：预训练的权重文件

data：数据集

在官方给定的文件基础上再次训练，打开data目录下coco128.yaml

path：数据集所在位置

train：训练集所在位置

val：验证集所在位置

改写对应参数可以开始训练，把resource文件夹放入yolov5-7.0文件夹下，coco128.yaml复制一份并重名名为initial.yaml，对应路径改为

names的东西改为设定的标签：  

在train.py里面修改路径

开始训练模型（注意：这个时候有报错可能是一些模块没有安装好，比如pandas,seaborn等，根据报错信息安装好就可以了）

训练好以后根据提示路径打开，weights文件夹下有两个权重文件，best.pt是训练过程中最好的模型，last.pt是训练过程中最后一轮模型，根据需要选择.

在终端输入tensorboard --logdir runs查看训练过程中各项指标的变化，默认情况下，TensorBoard会在localhost的6006端口运行，如果被占用，通过tensorboard --logdir runs --port 6007来指定另一个端口.根据网址打开TensorBoard可以查看训练过程中某些指标变化和模型结构，ctrl+C 可以退出TensorBoard.