目录
二、视频识别
三、版本和配置环境
四、准备工作
1.yolov5 模板下载
2.安装所需库
?(1)安装pytorch(建议安装gpu版本cpu版本太慢)
3.运行检测
五、数据集
1.制作标签
2.转格式(json转txt)
六、配置文件
1.mydata.yaml
2.mydata_1.yaml
七、训练模型
八、测试视频
九、总结
yolov5穿越火线识别-深度学习文档类资源-CSDN文库 一、前言1.代码在我的资源里下载。
2.本文不会讲解关于yolov5的理论问题,只是教大家实操,这篇文章可以帮助大家学会yolov5的训练与识别,本文使用穿越火线(cf)为例。
二、视频识别我们先看视频效果。
yolov5 穿越火线角色识别
三、版本和配置环境# pip install -r requirements.txt
# Base ---------------------------------------- matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 Pillow>=7.1.2 PyYAML>=5.3.1 requests>=2.23.0 scipy>=1.4.1 torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.41.0
# Logging ------------------------------------- tensorboard>=2.4.1 # wandb
# Plotting ------------------------------------ pandas>=1.1.4 seaborn>=0.11.0
# Export -------------------------------------- # coremltools>=4.1 ?# CoreML export # onnx>=1.9.0 ?# ONNX export # onnx-simplifier>=0.3.6 ?# ONNX simplifier # scikit-learn==0.19.2 ?# CoreML quantization # tensorflow>=2.4.1 ?# TFLite export # tensorflowjs>=3.9.0 ?# TF.js export # openvino-dev ?# OpenVINO export
# Extras -------------------------------------- # albumentations>=1.0.3 # Cython ?# for pycocotools https://github.com/cocodataset/cocoapi/issues/172 # pycocotools>=2.0 ?# COCO mAP # roboflow thop ?# FLOPs computation ?
四、准备工作 1.yolov5 模板下载第一步:将整个代码从github上下载下来,
?网址:GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite
也可以直接到GitHub上搜yolov5
?然后点code(绿色) 最后点下面的Download ZIP (最好不要下到C盘,如果C盘够用也没关系)
2.安装所需库主要是安装版本与配置声明中所需在库。 matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 Pillow PyYAML>=5.3.1 scipy>=1.4.1 torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.41.0 tensorboard>=2.4.1 seaborn>=0.11.0 pandas pycocotools>=2.0 ?# COCO mAP albumentations>=1.0.2
?(1)安装pytorch(建议安装gpu版本cpu版本太慢)这些库中可能就pytorch比较难安装,其他库用pip install 基本能实现。
可直接在Anaconda Prompt里输入:
pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html很大几率会不成功
如果不成功,可以参考一下下面的网址。安装Pytorch-gpu版本(第一次安装 或 已经安装Pytorch-cpu版本后)_js_dxx的博客-CSDN博客_pytorchgpu版本
3.运行检测下载完yolov5后,运行detect,可以帮助我们检查上面的环境是不是安装成功。
如果运行不报错,我们会在runs//detect//exp 文件夹下看到两张已经预测出的照片。
如果报错,问题也不大,看就是安装的环境版本比较低或者没安装,我们稍微调试一下就OK了。
五、数据集我们先要创建几个文件夹用来存放数据和模型。
在yolov5-master如下图所示文件夹
?
1.制作标签这里我是以穿越火线为例,提供100个已经标记好的数据(放在文末)。你也可以自己标记,一百张效果不是很好,可以多标记几张。
(1)安装labelme
在Anaconda Prompt里pip install labelme
(2)使用labelme
在Anaconda Prompt里输入labelme,会弹出一个窗口。
然后打开图片所在的文件夹
点击rectangle,标记想要识别的东西。
我们这里用了两个标签(保卫者:'Global Risk'? 、潜伏者:?'Black List')
?
?标记完后保存到一个新的文件夹下,保存的文件格式是.json
2.转格式(json转txt)要修改代码中标签名称,存放json文件的绝对路径和保存txt文件的绝对路径。
我们将生成的txt放在my_dates//labels//train中
将原来的图片放在my_dates//images//train中
import json import os name2id = {'Global Risk':0,'Black List':1} #标签名称 def convert(img_size, box): dw = 1. / (img_size[0]) dh = 1. / (img_size[1]) x = (box[0] + box[2]) / 2.0 - 1 y = (box[1] + box[3]) / 2.0 - 1 w = box[2] - box[0] h = box[3] - box[1] x = x * dw w = w * dw y = y * dh h = h * dh return (x, y, w, h) def decode_json(json_floder_path, json_name): txt_name = 'C:\\img \\' + json_name[0:-5] + '.txt' #存放txt的绝对路径 txt_file = open(txt_name, 'w') json_path = os.path.join(json_floder_path, json_name) data = json.load(open(json_path, 'r', encoding='gb2312',errors='ignore')) img_w = data['imageWidth'] img_h = data['imageHeight'] for i in data['shapes']: label_name = i['label'] if (i['shape_type'] == 'rectangle'): x1 = int(i['points'][0][0]) y1 = int(i['points'][0][1]) x2 = int(i['points'][1][0]) y2 = int(i['points'][1][1]) bb = (x1, y1, x2, y2) bbox = convert((img_w, img_h), bb) txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n') if __name__ == "__main__": json_floder_path = 'G:\\img\\' #存放json的文件夹的绝对路径 json_names = os.listdir(json_floder_path) for json_name in json_names: decode_json(json_floder_path, json_name) 六、配置文件 1.mydata.yamlcopy一下coco128.yaml文件到my_dates下并改名为mydata
?然后修改里面的参数:
(1)先将path注释掉(别忘记注释) ,然后将train和val改为存放训练集图片的位置
train: my_dates/images/train val: my_dates/images/train?(2)然后将nc 改为标签个数(我们这里是2),names里面改为我们的标签名。
别忘了注释path
2.mydata_1.yamlcopy一下yolov5s.yaml文件到my_dates下并改名为mydata_1。(yolov5s效果最差但速度最快我们可以根据自己的情况选择模型)
??然后修改里面的参数:
这里只需要将第四行的nc改为2(标签个数) 。
七、训练模型我们要对train.py文件进行修改。
1.为了防止编码出错,with open后面要加上encoding='utf-8',要改好几处,可以用ctrl+F查找with open。
?2.我们还要改多处default的值,在代码的480行左右。(改的全是default的值)。
一共要修改六处,最后一处稍微靠下一点。
第四处如果电脑配置好的话可以不用修改。
?最后运行:
时间有点长(一小时左右)!!!!
如果报错根据实际情况修改一下就ok
结果会放在下面路径下
八、测试视频我们只需修改detect.py文件夹下的权重路径和测试路径。(210行左右)
只需要将需要预测的视频或图片放在下面文件夹下,
然后运行detect.py就ok了!!!!!!
结果放在 (每次运行都会生成一个新的exp,所以我这是exp7)
九、总结?我们本次只是识别穿越火线中的人物,还没有实现自动瞄准,我只用了一百张图片进行预测,预测效果不是很好,你可以增加些图片进行训练。
后期还会更新!!!!!!!!!!!!!!!!!!!
资源19.9。包括文章代码加后续操作。
QQ:2499008400
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。 |
标签: #yolo对游戏画面实时检测