YOLOv5为目标检测带来了极大的方便    
    
    
。通过简单地训练YOLOv5    
    
    
  ，即可以实现一个速度快    
    
    
  、性能高的目标检测系统     


     


     


  。

下面介绍如何从头开始构造一个简单的目标检测系统


     


     


     
，用来识别图像内的苹果和香蕉
 




 




 




，并标注他们所在的位置




 




 




 
。

特别强调的是   

   

   

 ，YOLOv5给我们提供了全套解决方案 

     

     

     ，整个系统并不需要我们自己手写代码
   

   

   

。

对于通用任务

  




  




  




，我们要做的就是找到开源数据集  


  


  


，训练它  
     
     
     ，然后就得到了完整的可以实现目标检测的系统     

     

     

 。

例如


   




   




   



，我们找到花卉数据集 



 



 



，通过该数据集训练                 ，就可以实现一个识别花卉的系统 




  




  




  。我们找到一个火车轨道伤损数据集



    




    




    


，通过使用该数据集训练YOLOv5














，就可以得到一个火车轨道伤损识别系统

  


  


  


。

如果我们要进行的是一个专用任务     
     
     
。我们要做的工作可能要多一些                 ，此时需要我们对一些训练图像进行标注



     



     



     

，对其中出现的特定目标进行标注  




   




   




   。当然














，我们可以使用labelImg非常方便地对图像内的特定对象进行标注


 



 



 


。

例如    
    
    
  ，我们要识别非常罕见的某个物体A


     


     


     
、物体B
 




 




 




、物体C               。我们只要找到一些包含这些物体的图像


     


     


     
，并使用labelImg对他们进行标注   




    




    




   。然后训练该数据集
 




 




 




，就可以得到一个新的YOLO系统识别新的图像上出现的物体A   

   

   

 、物体B 

     

     

     、物体C
















。

为什么要提到罕见的物体A

  




  




  




、B  


  


  


、C               。因为常见的物体   

   

   

 ，我们都可以找到别人已经构造好的数据集 

     

     

     ，不需要我们额外做标注工作了    



     



     



   。

1 概述

首先

  




  




  




，我们看下具体的流程：

步骤1：训练适用于当前项目的权重文件
















。 步骤2：使用训练好的权重文件  


  


  


，完成识别    
    
    
。

下面使用图来说明一下：

步骤1：

训练适用于当前项目的权重文件     


     


     


  。

​

步骤2：

使用训练好的权重文件  
     
     
     ，完成识别




 




 




 
。

​

更具体来说


   




   




   



，从头开始仅仅需要六个步骤即可
   

   

   

。具体步骤如下：

​

2 实现

如果已经具备一定的深度学习基础 



 



 



，上述步骤在半个小时即可完成     

     

     

 。

下面                 ，简单对上述六个步骤做个介绍 




  




  




  。

2.1 step 1 配置anaconda

为了方便



    




    




    


，直接安装anaconda就好

  


  


  


。这样比较方便














，不需要我们额外进行配置了     
     
     
。

​

2.2 step 2 下载YOLOv5

主要包含如下几个工作：

要件1：下载YOLOv5工程文件 要件2：下载权重文件 要件3：按照requirements.txt文件                 ，配置第三方库 要件4：查看测试文件

要件1：下载YOLOv5工程文件

通过搜索引擎



     



     



     

，找到官网














，下载即可  




   




   




   。

​

要件2：下载权重文件

它有好多预训练好的权重文件    
    
    
  ，我们可以根据需要下载即可


 



 



 


。

如果问题比较简单


     


     


     
，我们直接下载“YOLOv5n    
    
    
”即可               。

​

总体来说：

预训练文件较小时
 




 




 




，它的精读低  
     
     
     、但是速度较快   




    




    




   。

预训练文件较大时   

   

   

 ，它的精读高


   




   




   



、但是速度较慢
















。

​

各个文件的大小如下：

​

要件3：按照requirements.txt文件 

     

     

     ，配置第三方库

运行YOLOv5

  




  




  




，需要很多第三方库  


  


  


，直接使用YOLOv5自带的requirements.txt一次搞定               。

​

要件4：查看测试文件

YOLOv5给我提供了两张测试图像  
     
     
     ，路径如下    



     



     



   。

​

2.3 step 3 测试YOLOv5

本步骤测试YOLOv5是否能够正常运行
















。如下图


   




   




   



，使用YOLOv5自带的测试图像 



 



 



、权重文件 



 



 



，实现目标检测    
    
    
。

图中：

左侧：测试图像

中间：权重文件

右侧：左侧测试图像的检测结果     


     


     


  。可以看到检测出了领带                 、人



    




    




    


、车等等




 




 




 
。

​

直接运行detect.py即可
   

   

   

。

​

需要注意的是                 ，要配置其参数：

source：测试文件位置

weight：权重文件位置

​

2.4 step 4 数据集处理

这里需要使用labelImg     

     

     

 。labelImg用来对图像进行标注



    




    




    


，它能够根据手工标注自动给出对象在图像内的位置














、对象大小 




  




  




  。

如下图所示














，文件classes所示：共有两个分类苹果和香蕉

  


  


  


。苹果对应着类别0                 ，香蕉对应着类别1.

如下图所示



     



     



     

，图像lilizong1.jpg在labelImg处理后














，会得到lilizong1.txt文件     
     
     
。

lilizong1.txt中    
    
    
  ，共有四行


     


     


     
，前三行对应着lilizong1.jpg中三个苹果
 




 




 




，第四行对应着lilizong1.jpg中的一只香蕉  




   




   




   。

标注文件lilizong1.txt中   

   

   

 ，数值包含四个部分：

【分类                 、对象位置（x,y）



     



     



     

、对象尺寸（宽度














、高度）】

（x,y）    
    
    
  、（宽度


     


     


     
、高度）都是归一化的值


 



 



 


。

简单理解 

     

     

     ，原始图像的宽度
 




 




 




、高度都是1               。或者将未知   

   

   

 、尺寸都理解为原图像的百分比   




    




    




   。

例如

  




  




  




，在lilizong1.txt中  


  


  


，第1行中：

[0,0.47,0.52,0.12,0.118]

其中数值0是分类  
     
     
     ，对应着apple


   




   




   



，（0.47,0.52）是苹果在图像中的位置 



 



 



，（0.12,0.118）是苹果的宽度和高度
















。

0.47表示当前的apple距离左边界的距离占图像总宽度的47%

0.52表示当前的apple距离上边界的距离占图像总高度的52%

0.12表示当前的apple的宽度占图像总宽度的12%

0.118表示当前的apple的高度占图像总高度的11.8%

​

labelImg安装方式如下：

pip install labelImg

​

labelImg的运行方式如下：

labelImg

​

运行labelImg                 ，如下图所示               。

主要操作如下：

1 

     

     

     、图像目录：设定要标注的图像在哪

2

  




  




  




、标签目录：生成的标签文件存在哪

3  


  


  


、支持类型：选择【YOLO】（也支持其他类型）

4  
     
     
     、create rectangle（生成标注框）

5


   




   




   



、设置默认标签

​

导入图像后



    




    




    


，框定图像内的对象 



 



 



、设定标签即可获取对应的包含类别                 、位置



    




    




    


、宽高的标注文件    



     



     



   。

这里主要分为四部分：

1














、data.yaml：配置文件

2                 、train：训练文件

3



     



     



     

、val：验证文件

4














、test：测试文件

配置文件（data.yaml）的内容主要包含：

1    
    
    
  、设定好目标检测的分类

2


     


     


     
、nc：类的个数（nubmer of class）

3
 




 




 




、train：训练文件的路径

4   

   

   

 、val：验证文件的路径

​

需要注意














，使用yolov5                 ，既要包含训练文件 

     

     

     、又要包含验证文件
















。无论训练文件



     



     



     

，还是验证文件其中的图像都要包含对应对应的标签    
    
    
。

2.5 step 5 训练YOLOv5

训练过程














，就是使用训练文件

  




  




  




、验证文件    
    
    
  ，获取权重文件的过程     


     


     


  。

​

运行train.py完成YOLOv5的训练




 




 




 
。需要注意的是


     


     


     
，要配置其对应的参数
 




 




 




，主要包含：

--batch-size="2" ：批处理大小

--epochs="200" ：训练轮次

--data="lilizong/data.yaml"：数据源位置

--weights=".\weight\yolov5n.pt"：使用的权重

​

配置方式如下：

​

2.6 step 6 目标检测

使用训练好的权重   

   

   

 ，进行目标检测
   

   

   

。

​

运行train.py 

     

     

     ，实现目标检测     

     

     

 。需要配置参数如下：

--source=".\lilizong\test" ：原文件路径

--weights=".\runs\train\exp\weights\best.pt"：训练好的权重

​

配置方式如下：

​

识别香蕉和苹果（目标检测）的结果如下所示：

​

视频课程地址：

YOLOv5实战（检测苹果和香蕉）--计算机视觉视频教程-人工智能-CSDN程序员研修院