如何使用 Yolo v5 对象检测算法进行自定义对象检测-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

介绍

在本文中，我们将解释如何使用Yolo v5算法来检测和分类60多种不同类型的道路交通标志。

我们将从一个非常基本的点开始，涵盖每个步骤，例如准备数据集.培训和测试。在本文中，我们将使用Windows 10系统。

让我们来谈谈YOLO及其架构。

YOLO是You Only Look Once的缩写。我们使用2020年6月推出的Ultralytics第5版，这是目前最先进的目标识别算法。

YOLOv5是一种新颖的卷积神经网络(CNN)，它可以实时准确地检测目标。该方法使用单个神经网络处理整个图像，然后将其划分为多个部分，并预测每个部分的边界框和概率。这些边界框由预期概率加权。

这种方法”只看一次图像”，因为它只在通过神经网络进行一次正向传播后进行预测。然后在非最大抑制之后传递检测到的项目(这确保了对象检测算法只识别每个对象一次)。

其架构主要由三部分组成，即：

1.主干：主干主要用于从输入图像中提取关键特征。CSP(Cross-Stage Partial Networks)被用作YOLO v5的主干，从输入图像中提取丰富而有用的特征。

2.颈部：颈部主要用于创建特征金字塔。当涉及到对象缩放时，特征金字塔有助于模型泛化。它有助于识别不同大小和比例的同一物体。特征金字塔在帮助模型有效处理以前不可见的数据方面非常有用。其他模型，如FPN.BiFPN和PANet，使用各种特征金字塔方法。PANet在YOLO v5中用作颈部，以获得特征金字塔。

3.负责人：模型负责人主要负责最终检测步骤。它使用锚框来构建具有类别概率.客观姓得分和边界框的最终输出向量。

YOLO v5模型的头部与YOLO V3和V4的早期版本相同。

Yolo v5的优点和缺点

·它比YOLOv4小88%(27MB对244MB)

·它比YOLOv4快180%(140 FPS vs 50 FPS)

·在同一任务中，它与YOLOv4大致相同(0.895 mAP vs 0.892 mAP)

·但主要问题是，YOLOv5不像其他YOLO版本那样发布官方文件。此外，YOLO v5仍在开发中。我们经常会收到Ultralytics的更新，未来的开发人员可能会更新一些设置。

目录

1.在Windows 10中设置虚拟环境。

2.克隆Yolo v5的GitHub仓库。

3.数据集准备和预处理。

4.培训模式。

5.预测和现场试验。

创建虚拟环境

我们将首先通过在Windows命令提示符中运行此命令来设置虚拟环境

1.安装Virtualenv(运行以下命令安装虚拟环境)

$pip安装虚拟环境

2.创建环境(运行以下命令创建虚拟环境)

$py－m venv YoloV5＿VirEnv公司

3.使用此命令激活它(运行以下命令激活环境)

$YoloV5＿VirEnvScript激活

您也可以使用禁用它(如果要禁用环境，请运行以下命令)

美元停用

设置YOLO

激活虚拟环境后，克隆Ultralytics创建和维护的GitHub存储库：

$git克隆https:／／github.com／ultralytics／yolov5

约洛夫5美元

目录结构

约洛夫5／

.github／

数据／

型号／

实用程序／

.dockerignore

.git属姓

.git忽略

.pre－commit－config.yaml

贡献.md

检测.py

Dockerfileexport.py文件

轮毂.py

许可证

阅读.md

要求.txt

设置.cfg

列车.py

教程.ipynb

val.py值

安装必要的库：首先，我们将安装所有必要的库(OpenCV和Pillow).图像分类(Tensorflow和PyTorch)，并执行矩阵运算(Numpy)

$pip安装-r要求.txt

数据集准备

从该链接下载完整的标签数据集：

然后解压缩zip文件并将其移动到yolov5/目录。

1144张图片_数据集／

列车／

我们将使用总共77个不同的类

使用Yolo v5培训模型

现在运行命令以最终训练数据集。您可以根据电脑规格更改批量大小。培训时间将取决于计算机的性能。最好使用Google Colab。

你也可以训练不同版本的YOLOv5算法，

所有这些都将使用不同的计算能力，并提供FPS(每秒帧数)和精确度的不同组合。

在本文中，我们将使用YOLOv5s版本，因为它是最简单的。

$python train.py？data data.yaml？cfg yolov5s.yaml？batch？size 8？name型号

现在在内部运行runs/train/Model/，您将找到最终的训练模型。

最好的pt包含用于最终检测和分类的最终模型。

结果。txt文件将包含您在每个时段内所取得的准确姓和损失的摘要。

其他图像包含可用于更多分析的绘图和图表。

Yolo v5型测试

将您的yolov5/目录移到其他位置并克隆该存储库。

$git clone https:／／github.com／aryan0141／RealTime交通标志的检测和分类

交通标志的实时检测和分类

目录结构

现在复制我们上面训练的模型并将其粘贴到这个目录中。

注意：我在模型/目录中包含了一个经过训练的模型，但您也可以用经过训练的模式替换它。移动到代码所在的目录。

美元cd代码／

将视频或图像放在**Test*目录中。我还提供了一些示例视频和图像供您参考。

用于测试图像

$python detect.py？source..／Test／test1.jpeg？weights.／Model／weights／best.pt

用于测试视频

$python detect.py？source..／Test／vidd1.mp4？weights.／Model／weights／best.pt

对于网络摄像头

$python detect.py–source 0–weights.／型号／weights／best.pt

您的最终图像和视频存储在Results/目录中。

示例图像

每秒帧数(FPS)取决于您使用的GPU。我在英伟达MX 350 2GB显卡上获得了约50FPS的速度

github

这是吉图布。您可以找到本文中使用的完整代码。