YOLOv5目标检测 YOLOv5目标检测一、环境二、前言三、项目开发1.YOLOV5项目下载2.解压YOLOV5并部署环境3.YOLOV5详解3.1 YOLOV5预训练模型比较3.2 通过指令运行项目3.3 YOLOV5参数讲解 四、训练自己数据集1.半人工标注和仿真数据集2.人工标注2.1 labelimg介绍2.2 labelimg的安装2.3 使用labelimg文件格式2.4 打开labelimg 五、数据集格式转化及训练集和验证集划分六、利用YOLOV5训练自己的目标检测模型1.代码目录介绍2.利用labelimg标注数据和数据的准备3.获得预训练权重4.训练自己的模型4.1修改数据配置文件4.2修改模型配置文件4.3训练自己的模型启用tensorbord查看参数4.4启用tensorbord查看参数4.5推理测试 七、生成数据文件解释八、番外(测距) YOLOv5目标检测 一、环境 ubuntu 18.04 64bitGTX 1070Tianaconda with python 3.8pytorch 1.7cuda 10.1 二、前言
YOLOV5最近更新了v6.0版本,v5.0与v6.0有那些区别:
这个新版本在 V5.0 的基础上集成了很多的新特性,而且在网络结构上也做了微调,引入了全新的更小( Nano )的模型 P5(YOLOv5n) P6(YOLOv5n6)。Nano 模型保持了 yolov5s 模型的深度( depth ),宽度( width ) 则是从0.5降到了0.25,经过这个操作后,总参数减少了 75%,从 7.5M 缩小到了 1.9M,这样的话,就非常适合于移动端或者是 CPU 的环境。
新特性
整合了 Roboflow
roboflow 前面我们提过了,它公开了很多非常有用的数据集,在 v6.0 上可以直接使用他们的数据集,参考 github.com/ultralytics…,非常的方便
支持 tensorflow 和 keras模型的导出
使用 python export.py --include saved_model pb tflite tfjs 就可以完成 tensorFlow、keras、tflite 和 tf.js 模型的导出
同时支持 OpenCV DNN 和 ONNX Runtime
导出的 onnx 同时支持 opencv dnn 和 onnx runtime
python export --weights yolov5s.pt --include onnx --opset 12 --dynamic 复制代码在检测的时候也可以使用指定的 onnx, python detect.py --weights yolov5s.onnx --dnn
模型结构
用 Conv(k=6, s=2, p=2) 代替 Focus 层,主要是为了方便模型导出使用 SPPF 代替 SPP 层减少 P3 主干层 C3将 SPPF 放在主干的后面在最后一个 C3 主干层中重新引入快捷方式更新超参数增加了 Flask REST API
提供了 web api 的支持,远端测试非常方便,常见的开放平台都是这么做的
三、项目开发 1.YOLOV5项目下载现在已经更新到v6.0版本,根据自己项目的特性,选择版本
下载网址
2.解压YOLOV5并部署环境 解压后,在PyCharm中打开 Pytorch环境配置 下载依赖包 3.YOLOV5详解 3.1 YOLOV5预训练模型比较Python>=3.6.0 is required with all requirements.txt installed including PyTorch>=1.7:
$ git clone https://github.com/ultralytics/yolov5 $ cd yolov5 $ pip install -r requirements.txt Inference推理使用 YOLOv5 和 PyTorch Hub 进行推理。模型会自动从最新的 YOLOv5 版本下载。
import torch # Model model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # or yolov5m, yolov5l, yolov5x, custom # Images img = 'https://ultralytics.com/images/zidane.jpg' # or file, Path, PIL, OpenCV, numpy, list # Inference results = model(img) # Results results.print() # or .show(), .save(), .crop(), .pandas(), etc.要对数据/图像中的示例图像运行推理,请执行以下操作:
# --weights yolov5s.pt指定yolov5s.pt为项目的权重; # --conf 0.25指定0.25为失信度; # --source data/images指定文件路径 $ python detect.py --source data/images --weights yolov5s.pt --conf 0.25 # 运行结果如下 Namespace(agnostic_nms=False, augment=False, classes=None, conf_thres=0.25, device='', exist_ok=False, img_size=640, iou_thres=0.45, name='exp', project='runs/detect', save_conf=False, save_txt=False, source='data/images/', update=False, view_img=False, weights=['yolov5s.pt']) YOLOv5 v4.0-96-g83dc1b4 torch 1.7.0+cu101 CUDA:0 (Tesla V100-SXM2-16GB, 16160.5MB) Fusing layers... Model Summary: 224 layers, 7266973 parameters, 0 gradients, 17.0 GFLOPS image 1/2 /content/yolov5/data/images/bus.jpg: 640x480 4 persons, 1 bus, Done. (0.010s) image 2/2 /content/yolov5/data/images/zidane.jpg: 384x640 2 persons, 1 tie, Done. (0.011s) Results saved to runs/detect/exp2 Done. (0.103s) Inference with detect.py 通过 detect.py 推理detect.py 在各种源上运行推理,从最新的YOLOv5版本自动下载模型,并将结果保存到运行/检测(runs/detect.)。
$ python detect.py --source 0 # webcam file.jpg # image file.mp4 # video path/ # directory path/*.jpg # glob 'https://youtu.be/NUsoVlDFqZg' # YouTube 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream 通过传输协议可以实现实时检测 Training 训练模型运行以下命令以重现 COCO 数据集上的结果(首次使用时会自动下载数据集)。在单个 V100 上,YOLOv5s/m/l/x 的训练时间为 2/4/6/8 天(多 GPU 时间更快)。使用 GPU 允许的最大批大小(显示 16 GB 设备的批大小)。
$ python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 64 yolov5m 40 yolov5l 24 yolov5x 16 3.3 YOLOV5参数讲解 detect.py文件中main函数详解 # --weights default='yolov5s.pt'权重文件的路径地址 parser.add_argument('--weights', nargs='+', type=str, default='yolov5s.pt', help='model.pt path(s)') # --source default='data/images'给神经网络指定数据输入,可以用来实时检测和验证模型使用,输入0是使用电脑自带摄像 parser.add_argument('--source', type=str, default='data/images', help='source') # file/folder, 0 for webcam # --img-size default=640指定输入图片的分辨率,输出的图片格式不会被改变(只是在网络运算过程中把图片进行一个缩放或扩大方便运算) parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)') # --conf-thres default=0.25置信度(只要大于0.25,就显示出目标) parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold') # --iou-thres default=0.45目标上的框,iou是选出最适合的一个框(iou=交集部分/并集部分) parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS') # --device default=''设备 parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') # --view-img action='store_true'指只要设定这个参数,参数值就是True,显不显示运行结果 parser.add_argument('--view-img', action='store_true', help='display results') # --save-txt action='store_true'同上,保存结果设置成一个txt,保存框的位置和置信度等信息 parser.add_argument('--save-txt', action='store_true', help='save results to *.txt') parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels') parser.add_argument('--nosave', action='store_true', help='do not save images/videos') # --classes nargs='+'可以设置为0,2,3等,如果参数是0,作用是只保存第0个类,其他类都不保存 parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --class 0, or --class 0 2 3') # --agnostic-nms 增强的一个检测 parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS') parser.add_argument('--augment', action='store_true', help='augmented inference') # --update 去掉优化器等参数,只保留网络模型 parser.add_argument('--update', action='store_true', help='update all models') # --project default='runs/detect'把结果文件保存到什么位置 parser.add_argument('--project', default='runs/detect', help='save results to project/name') # --name default='exp' 保存结果文件的命名 parser.add_argument('--name', default='exp', help='save results to project/name') # --exist-ok 把新一轮检测的结果保存在一个创建的新的文件夹内,如果是false只会保存在上一个文件夹,默认是True parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')可以通过pycharm设置参数
train.py文件中main参数详解 # 未解释的不太重要或者用不上,想了解的 参数+Ctrl+F,在源码中查看 # --weights default='yolov5s.pt'训练模型的路径,初始化网络模型的参数,yolov5s.pt是YOLOV5预训练好的模型 # 若想训练自己的模型可设置它为空 如default='' # 同时也可以放入你之前训练好的模型,做参数初始化,进行下一轮训练 parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path') # --cfg default='' 模型参数设置文件的路径 parser.add_argument('--cfg', type=str, default='', help='model.yaml path') # --data 指定训练数据集路径 parser.add_argument('--data', type=str, default='data/coco128.yaml', help='data.yaml path') # --hyp 超参数文件路径地址 parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path') # --epochs:训练轮次 parser.add_argument('--epochs', type=int, default=300) # --batch-size:喂入批次文件的多少(一次喂入16张) parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs') # --img-size:输入图片尺寸 parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes') # --rect:是否采用矩形训练,默认False,减少一些不必要的信息,比如裁剪数据集的阴影部分,加快训练速度 parser.add_argument('--rect', action='store_true', help='rectangular training') # --resume:接着打断训练上次的结果接着训练,必须指定上次模型训练文件的路径 parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training') # --nosave:不保存模型,默认False,True是只保存最后一次训练模型的权重数据文件 parser.add_argument('--nosave', action='store_true', help='only save final checkpoint') # --notest:不进行test,默认False parser.add_argument('--notest', action='store_true', help='only test final epoch') # --noautoanchor:不自动调整anchor,默认False(锚点和锚框) parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check') # --evolve:是否进行超参数进化,默认False parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters') # --bucket:谷歌云盘bucket,一般不会用到 parser.add_argument('--bucket', type=str, default='', help='gsutil bucket') # --cache-images:是否提前缓存图片到内存,以加快训练速度,默认False parser.add_argument('--cache-images', action='store_true', help='cache images for faster training') # --image-weights:使用加权图像选择进行训练,作者测试过,但效果布不能得到保证 parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training') # --device:训练的设备,cpu;0(表示一个gpu设备cuda:0);0,1,2,3(多个gpu设备) parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') # --multi-scale:是否进行多尺度训练,默认False parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%') # --single-cls:数据集是否只有一个类别,默认False parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class') # --adam:是否使用adam优化器 parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer') # --sync-bn:是否使用跨卡同步BN,在DDP模式使用 parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode') # --local_rank:DDP参数,请勿修改 parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify') # --workers:最大工作核心数 parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers') # --project:训练模型的保存位置 parser.add_argument('--project', default='runs/train', help='save to project/name') parser.add_argument('--entity', default=None, help='W&B entity') # --name:模型保存的目录名称 parser.add_argument('--name', default='exp', help='save to project/name') # --exist-ok:模型目录是否存在,不存在就创建 parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment') # --quad 默认False,对数据进行的处理方式 parser.add_argument('--quad', action='store_true', help='quad dataloader') # --linear-lr 学习速率,开启按照线性方式 parser.add_argument('--linear-lr', action='store_true', help='linear LR') # --label-smoothing 标签平滑 parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon') parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table') parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B') parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch') # --artifact_alias 这个参数貌似未实现,注释不影响运行 parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used') –cfg 模型参数设置文件的路径 –hyp 超参数文件路径地址 run文件(训练结果目录文件详解)训练最好效果的网络模型参数
训练最后一个的网络模型参数
tensorboard日志文件
训练模型的一些超参数
标注模型的一些分布
标注的一些相关矩阵
训练过程中参数的一些设置
训练结果的记录
训练的一些图片
–resume 四、训练自己数据集 1.半人工标注和仿真数据集比较麻烦,但自己省事,不太建议使用
可以去看看土堆大佬的视频
2.人工标注 2.1 labelimg介绍Labelimg是一款开源的数据标注工具,可以标注三种格式。
1 VOC标签格式,保存为xml文件。 2 yolo标签格式,保存为txt文件。 3 createML标签格式,保存为json格式。 2.2 labelimg的安装? 这里主要讲的是在window系统中的安装,首先打开cmd命令行(快捷键:win+R)。进入cmd命令行控制台。输入如下的命令:
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple? 运行如上命令后,系统就会自动下载labelimg相关的依赖。由于这是一个很轻量的工具,所以下载起来很快,当出现如下红色框框中的告诉我们成功安装的时候,说明labelimg安装成功了。
2.3 使用labelimg文件格式VOC2007的目录结构为:
├── VOC2007 │├── JPEGImages 存放需要打标签的图片文件 │├── Annotations 存放标注的标签文件 │├── predefined_classes.txt 定义自己要标注的所有类别(这个文件可有可无,但是在我们定义类别比较多的时候,最好有这个创建一个这样的txt文件来存放类别)
例:比如要训练三个类
JPEGImages文件:
predefined_classes.txt文件
2.4 打开labelimg DOS窗口进入VOC2007文件下输入如下的命令打开labelimg。
这个命令的意思是打开labelimg工具;打开JPEGImage文件夹,初始化predefined_classes.txt里面定义的类。
labelimg JPEGImages predefined_classes.txt 运行如上的命令就会打开这个工具工具的使用
常用快捷键如下A:切换到上一张图片
D:切换到下一张图片
W:调出标注十字架
del :删除标注框框
Ctrl+u:选择标注的图片文件夹
Ctrl+r:选择标注好的label标签存在的文件夹
标签打完以后可以去Annotations 文件下看到标签文件已经保存 五、数据集格式转化及训练集和验证集划分yolov5训练所需要的文件格式是yolo(txt格式),需要对xml格式的标签文件转换为txt文件。
同时训练自己的yolov5检测模型的时候,数据集需要划分为训练集和验证集。这里提供了一份代码将xml格式的标注文件转换为txt格式的标注文件,并按比例划分为训练集和验证集
import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join import random from shutil import copyfile classes = ["hat", "person"] #classes=["ball"] TRAIN_RATIO = 80 def clear_hidden_files(path): dir_list = os.listdir(path) for i in dir_list: abspath = os.path.join(os.path.abspath(path), i) if os.path.isfile(abspath): if i.startswith("._"): os.remove(abspath) else: clear_hidden_files(abspath) def convert(size, box): dw = 1./size[0] dh = 1./size[1] x = (box[0] + box[1])/2.0 y = (box[2] + box[3])/2.0 w = box[1] - box[0] h = box[3] - box[2] x = x*dw w = w*dw y = y*dh h = h*dh return (x,y,w,h) def convert_annotation(image_id): in_file = open('VOCdevkit/VOC2007/Annotations/%s.xml' %image_id) out_file = open('VOCdevkit/VOC2007/YOLOLabels/%s.txt' %image_id, 'w') tree=ET.parse(in_file) root = tree.getroot() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) for obj in root.iter('object'): difficult = obj.find('difficult').text cls = obj.find('name').text if cls not in classes or int(difficult) == 1: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) bb = convert((w,h), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n') in_file.close() out_file.close() wd = os.getcwd() wd = os.getcwd() data_base_dir = os.path.join(wd, "VOCdevkit/") if not os.path.isdir(data_base_dir): os.mkdir(data_base_dir) work_sapce_dir = os.path.join(data_base_dir, "VOC2007/") if not os.path.isdir(work_sapce_dir): os.mkdir(work_sapce_dir) annotation_dir = os.path.join(work_sapce_dir, "Annotations/") if not os.path.isdir(annotation_dir): os.mkdir(annotation_dir) clear_hidden_files(annotation_dir) image_dir = os.path.join(work_sapce_dir, "JPEGImages/") if not os.path.isdir(image_dir): os.mkdir(image_dir) clear_hidden_files(image_dir) yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/") if not os.path.isdir(yolo_labels_dir): os.mkdir(yolo_labels_dir) clear_hidden_files(yolo_labels_dir) yolov5_images_dir = os.path.join(data_base_dir, "images/") if not os.path.isdir(yolov5_images_dir): os.mkdir(yolov5_images_dir) clear_hidden_files(yolov5_images_dir) yolov5_labels_dir = os.path.join(data_base_dir, "labels/") if not os.path.isdir(yolov5_labels_dir): os.mkdir(yolov5_labels_dir) clear_hidden_files(yolov5_labels_dir) yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/") if not os.path.isdir(yolov5_images_train_dir): os.mkdir(yolov5_images_train_dir) clear_hidden_files(yolov5_images_train_dir) yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/") if not os.path.isdir(yolov5_images_test_dir): os.mkdir(yolov5_images_test_dir) clear_hidden_files(yolov5_images_test_dir) yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/") if not os.path.isdir(yolov5_labels_train_dir): os.mkdir(yolov5_labels_train_dir) clear_hidden_files(yolov5_labels_train_dir) yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/") if not os.path.isdir(yolov5_labels_test_dir): os.mkdir(yolov5_labels_test_dir) clear_hidden_files(yolov5_labels_test_dir) train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w') test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w') train_file.close() test_file.close() train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a') test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a') list_imgs = os.listdir(image_dir) # list image files prob = random.randint(1, 100) print("Probability: %d" % prob) for i in range(0,len(list_imgs)): path = os.path.join(image_dir,list_imgs[i]) if os.path.isfile(path): image_path = image_dir + list_imgs[i] voc_path = list_imgs[i] (nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path)) (voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path)) annotation_name = nameWithoutExtention + '.xml' annotation_path = os.path.join(annotation_dir, annotation_name) label_name = nameWithoutExtention + '.txt' label_path = os.path.join(yolo_labels_dir, label_name) prob = random.randint(1, 100) print("Probability: %d" % prob) if(prob < TRAIN_RATIO): # train dataset if os.path.exists(annotation_path): train_file.write(image_path + '\n') convert_annotation(nameWithoutExtention) # convert label copyfile(image_path, yolov5_images_train_dir + voc_path) copyfile(label_path, yolov5_labels_train_dir + label_name) else: # test dataset if os.path.exists(annotation_path): test_file.write(image_path + '\n') convert_annotation(nameWithoutExtention) # convert label copyfile(image_path, yolov5_images_test_dir + voc_path) copyfile(label_path, yolov5_labels_test_dir + label_name) train_file.close() test_file.close()数据集的格式结构必须如下
Annotations里面存放着xml格式的标签文件
JPEGImages里面存放着照片数据文件
注意事项classes里面必须正确填写xml里面已经标注好的类
TRAIN_RATIO是训练集和验证集的比例,
当等于80的时候,说明划分80%给训练集,20%给验证集。
运行结果在VOCdevkit目录下生成images和labels文件夹
文件夹下分别生成了train文件夹和val文件夹
分别保存训练集的照片和txt格式的标签,还有验证集的照片和txt格式的标签
images文件夹和labels文件夹就是训练yolov5模型所需的训练集和验证集
YOLOLabels文件夹,里面存放着所有的txt格式的标签文件
六、利用YOLOV5训练自己的目标检测模型 1.代码目录介绍├── data:主要是存放一些超参数的配置文件(这些文件(yaml文件)是用来配置训练集和测试集还有验证集的路径的,其中还包括目标检测的种类数和种类的名称);还有一些官方提供测试的图片。如果是训练自己的数据集的话,那么就需要修改其中的yaml文件。但是自己的数据集不建议放在这个路径下面,而是建议把数据集放到yolov5项目的同级目录下面。
├── models:里面主要是一些网络构建的配置文件和函数,其中包含了该项目的四个不同的版本,分别为是s、m、l、x。从名字就可以看出,这几个版本的大小。他们的检测测度分别都是从快到慢,但是精确度分别是从低到高。这就是所谓的鱼和熊掌不可兼得。如果训练自己的数据集的话,就需要修改这里面相对应的yaml文件来训练自己模型。
├── utils:存放的是工具类的函数,里面有loss函数,metrics函数,plots函数等等。
├── weights:放置训练好的权重参数。
├── detect.py:利用训练好的权重参数进行目标检测,可以进行图像、视频和摄像头的检测。
├── train.py:训练自己的数据集的函数。
├── test.py:测试训练的结果的函数。
├──requirements.txt:这是一个文本文件,里面写着使用yolov5项目的环境依赖包的一些版本,可以利用该文本导入相应版本的包。
2.利用labelimg标注数据和数据的准备目录格式如下:
3.获得预训练权重一般为了缩短网络的训练时间,并达到更好的精度,我们一般加载预训练权重进行网络的训练。而yolov5的5.0版本给我们提供了几个预训练权重,我们可以对应我们不同的需求选择不同的版本的预训练权重。通过如下的图可以获得权重的名字和大小信息,可以预料的到,预训练权重越大,训练出来的精度就会相对来说越高,但是其检测的速度就会越慢。预训练权重可以通过这个网址进行下载
4.训练自己的模型 4.1修改数据配置文件 data目录下的voc.yaml文件 4.2修改模型配置文件 models目录下的预训练权重文件(yolov5s.yaml) 4.3训练自己的模型启用tensorbord查看参数 train.py修改如下参数:
注意:路径都是相对路径
如果出现下列问题:
则说明GPU显存溢出报错,要修改如下参数
# 一次喂入多少张图片 parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs') # 最大工作核心数 parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers') # 如果还不行那就再调小一点如果出现下列问题:
则说明虚拟内存不够用,要修改以下参数:
utils路径下找到datasets.py这个文件,将里面的第81行里面的参数nw改完0就可以了
4.4启用tensorbord查看参数 tensorboard --logdir=runs/train已经训练好了,但是我们还想用tensorbord查看此模型的训练过程,输入如下命令
tensorboard --logdir=runs 4.5推理测试等到数据训练好了以后,就会在主目录下产生一个run文件夹,在run/train/exp/weights目录下会产生两个权重文件,一个是最后一轮的权重文件,一个是最好的权重文件,一会我们就要利用这个最好的权重文件来做推理测试。除此以外还会产生一些验证文件的图片等一些文件。
打开detect.py文件进行验证
修改detect.py中main函数的参数
# 传入训练好的最好的权重 parser.add_argument('--weights', nargs='+', type=str, default='runs/train/exp/weights/best.pt', help='model.pt path(s)') # 对图片进行测试推理,将如下参数修改成图片的路径(对视频推理也在这修改) parser.add_argument('--source', type=str, default='000295.jpg', help='source')推测结束后,run文件下会生成一个detect目录,推理结果会保存在exp目录
如果要对摄像头进行测试:
# 对摄像头进行测试,只需将路径改写为0就好了 parser.add_argument('--source', type=str, default='0', help='source')找到utils目录下的datasets.py文件
找到第279行代码,给两个url参数加上str就可以
七、生成数据文件解释混淆矩阵:指明在类别上的一个精度
fi指标:衡量精度
hyp.yaml :表明超参数的
labels.jpg
labels_correlogram.jpg
nchup_yolov5s.out : 训练的一个记录
results.jpg 训练过程中的一个变化
八、番外(测距)进入pytorch环境指令 conda activate pytorch
1.本站遵循行业规范,任何转载的稿件都会明确标注作者和来源;2.本站的原创文章,会注明原创字样,如未注明都非原创,如有侵权请联系删除!;3.作者投稿可能会经我们编辑修改或补充;4.本站不提供任何储存功能只提供收集或者投稿人的网盘链接。 |