189 8069 5689
目标检测是计算机视觉主要应用方向之一。目标检测通常包括两方面的工作，首先是招到目标，然后就是识别目标。目标检测可以分为单物体检测和多物体检测。常用的目标检测方法分为两大流派：一步走（one_stage）算法：直接对输入的图像应用算法并输出类别和相应的定位，典型的算法有yolo，ssd；两步走（two_stage)算法：先产生候选区域，然后在进行CNN分类，代表的算法有R-CNN。
本文重点讲述yolov5如何应用在实际项目中，主要包括两大部分，第一部分：如何使用yolov5训练自定义模型；第二部分：选练好自己的模型，如何加载并解读模型。
首先，去yolov5官网（https://github.com/ultralytics/yolov5）进行下载官方文件，也可以通过克隆地址（git clone https://github.com/ultralytics/yolov5.git）进行获取，并且下载预训练权重文件，放到yolov5文件下。结果如图：
下载好所有的文件后，接下来，我们需要进行配置环境，yolov5要求python>=3.7，pytorch>=1.7，我们可以通过
pip3 install -r requirements.txt进行其他安装包的安装，完成这些安装后，我们可以通过运行yolov5底下的detect.py文件来查看，环境是否配置成功。如果成功，则可以对data/image下的图片文件完成检测。原始模型可以识别80类目标，如下：
通过以上，我们可以检测预训练模型里面的目标，比如：球，人，大巴车等等，那该如何训练我们自己的数据集呢？通过labelImg将图片标注好，标签格式为yolo格式标签。将标注好的数据放在datasets/dataset_new/images，标签放在datasets/dataset_new/labels，各自底下分别有train,test,val三个文件。image格式为jpg格式，labels为文本文档。
一个图一个txt标注文件，每行一个物体，每行数据格式：类别id、x_center y_center width height，xywh必须归一化（0-1），其中x_center、width除以图片宽度，y_center、height除以画面高度，类别id必须从0开始计数。如下图所示。
准备好datasets文件后，将yolov5同级目录。YOLO会自动将…/datasets/dataset_new/images/train/1.jpg中的/images/替换成/labels/以寻找它的标签，如…/datasets/dataset_new/labels/train/1.txt。
准备好数据集后，将yolov5/data/coco128.yaml复制一份，重新命名为coco_1.yaml，并修改里面的文件路径和类别名称、数目。
复制models下对应模型的yaml文件，重命名，并修改nc值。
数据准备完成，模型需要修改的参数也完成了修改，接下里我们可以进行训练了train.py。
我们可以对trian.py里面的参数（如下图）按照自己的想法进行修改，也可以选择默认值。
训练需要一些时间，训练完成后，将得到我们需要的pt文件。下一步我们将加载与解读我们的模型。
使用torch.hub.load()加载我们训练好的模型，如下，通过torch.hub.load进行加载模型，将图片导入，得到的results。可以通过results.pandas().xyxy[0]解读，结果是个张量，前四列为目标框的左上角和右下角，confidence为置信度，class为类别编号，name为类别名称。
import torch
# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
# Image
im = 'https://ultralytics.com/images/zidane.jpg'
# Inference
results = model(im)
results.pandas().xyxy[0]
# xmin ymin xmax ymax confidence class name
# 0 749.50 43.50 1148.0 704.5 0.874023 0 person
# 1 433.50 433.50 517.5 714.5 0.687988 27 tie
# 2 114.75 195.75 1095.0 708.0 0.624512 0 person
# 3 986.00 304.00 1028.0 420.0 0.286865 27 tie下面，是我加载自己训练模型的演示结果：
import cv2
import torch
import time
import numpy as np
model = torch.hub.load('./yolov5', 'custom', path='./weights/yolov5n_1.pt',source='local')
model.conf = 0.4
cap = cv2.VideoCapture(0)
fps_time = time.time()
while True:
ret,frame = cap.read()
frame = cv2.flip(frame,1)
img_cvt = cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)
results = model(img_cvt)
# print(results.pandas().xyxy[0].to_numpy())# tensor-to-numpy
results_ = results.pandas().xyxy[0].to_numpy()
i = 0
for box in results_:
l,t,r,b = box[:4].astype('int')
confidence = str(round(box[4]*100,2))+"%"
cls_name = box[6]
if cls_name == "person":
i += 1
cv2.rectangle(frame,(l,t),(r,b),(0,255,0),2)
cv2.putText(frame,cls_name + "-" + confidence,(l,t),cv2.FONT_ITALIC,1,(255,0,0),2)
cv2.putText(frame, "person:"+str(i), (10, 20), cv2.FONT_ITALIC, 1, (0, 0, 0), 2)
now = time.time()
fps_txt = 1/(now - fps_time)
fps_time = now
cv2.putText(frame,str(round(fps_txt,2)),(50,50),cv2.FONT_ITALIC,1,(0,255,0),2)
cv2.imshow("result",frame)
if cv2.waitKey(10) & 0xFF == ord("q"):
break
cap.release()
cv2.destroyAllWindows()
本篇主要给大家讲解如何使用yolov5端到端这个模型，希望对大家有多帮助。有疑问，可以进行交流。
你是否还在寻找稳定的海外服务器提供商？创新互联www.cdcxhl.cn海外机房具备T级流量清洗系统配攻击溯源，准确流量调度确保服务器高可用性，企业级服务器适合批量采购，新人活动首月15元起，快前往官网查看详情吧