利用yolov实现目标检测

您所在的位置：网站首页 › 狗和猫图片 › 利用yolov实现目标检测

利用yolov实现目标检测

2023-08-15 17:43| 来源: 网络整理| 查看: 265

作者有话说：我是个小白，这个是我的学习记录，以便以后回过头来看的时候能看懂;-)，希望也可以帮助到大家🤗别杠杠就是你对哈哈哈哈哈哈

一、yolov5项目的克隆

二、yolov5项目代码的介绍

三、环境的安装和依赖的安装

四、数据集和预训练权重的准备

五、将数据集和预训练权重放到yolov5工程中去

六、修改配置参数

七、训练自己的模型

八、运行的时候出现的错误

九、通过tensorbord产看参数

十、利用训练好的yolov5模型做推理

！！后续来了！

一、yolov5项目的克隆

打开yolov5的github官网，界面如下：

按右上角的code，将代码下载下来

二、yolov5项目代码的介绍

1.首先将下载好的代码解压，使用pycharm打开

2.进到pycharm页面后，点击右下角进行环境的选择（前面已经搭建好了）

3.选择show all

4.选择之前搭建好的环境

5.yolov5项目的结构

（1）data文件夹里放着yaml的参数配置文件

（2）models文件夹里放着

（3）weights文件夹里放着训练好的权重参数

（4）train.py文件是进行训练自己的数据集的函数

（5）detect.py文件是利用训练好的权重参数进行目标检测

（6）test.py文件是用来测试训练的结果的函数

（7）requirement.txt文件

三、环境的安装和依赖的安装

环境的安装是之前文章里已经安装好的，现在进行一些依赖的安装

1.打开requirement.txt这个文件，里面包含很多依赖库和对应版本，打开pycharm的终端，复制下面这串代码，运行安装。

pip install -r requirements.txt

这里需要注意的是需要将这个文件里最下面那串代码删掉，具体原因我还没找到，好像是pycocotools没有提供windows的，因为我之前安装的时候报了错，所以这里我把它删掉。

终端如图所示

将代码复制运行，它就会开始安装包。

四、数据集和预训练权重的准备

1.这里训练自己的数据集，

2.获得预训练权重

为了缩短我们训练时间，我们可以加载一些预训练权重来进行训练，yolov5提供了几个预训练权重，可以根据不同的需求选择不同的版本区进行训练。本章选择训练自己的数据集，可以用预训练权重yolov5s.pt。

打开yolov5提供的预训练权重进行下载，如图所示：

五、将数据集和预训练权重放到yolov5工程中去

1.首先将训练好的数据（VOCdevkit）先放进去，如图所示

2.将刚下载好的预训练权重yolov5s.pt放到weights文件夹下，如图所示

3.训练集和训练权重都有了

六、修改配置参数

改相应的配置参数，就可以训练了~

1.修改数据配置参数文件

（1）找到下图的文件，复制

（2）粘贴到data文件夹下，修改名称

（3）在dog.yaml文件里进行修改

这里需要注释掉下图框出的代码

（4）修改训练集和验证集的路径

复制训练集和验证集的路径

粘贴到代码，如图所示

（5）修改类的数量，我这里是dog和cat两类，所以填2

（6）修改类的名称，我这里是cat和dog

这个文件就改好啦

2.修改model配置文件

（1）复制下图文件

（2）粘贴到models文件夹下

（3）在dog.yaml文件里修改

修改这里，改为2（因为我这里是两个类），就改完了~

七、训练自己的模型

（1）找到训练的这个文件

（2）在train.py文件里修改

主要修改如下几个参数

第一个是权重的路径，复制权重路径，粘贴

第二个是模型的yaml文件，复制路径，粘贴

第三个是数据的yaml文件，复制路径，粘贴

修改好啦~

还可以修改训练的轮数

还可修改每次输入的图片张数

改完后，就可以运行这个.py文件啦~它就开始训练了~

八、运行的时候出现的错误

1.错误一

我在网上找到，说是要去Tags6里面的model/common.py里面去找到这个SPPF的类,把它拷过来到你这个Tags5的model/common.py里面,这样你的代码就也有这个类了,还要引入一个warnings包就行了！

这段代码如下：

import warnings class SPPF(nn.Module): # Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher def __init__(self, c1, c2, k=5): # equivalent to SPP(k=(5, 9, 13)) super().__init__() c_ = c1 // 2 # hidden channels self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = Conv(c_ * 4, c2, 1, 1) self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2) def forward(self, x): x = self.cv1(x) with warnings.catch_warnings(): warnings.simplefilter('ignore') # suppress torch 1.9.0 max_pool2d() warning y1 = self.m(x) y2 = self.m(y1) return self.cv2(torch.cat([x, y1, y2, self.m(y2)], 1))

复制到你们的common.py里面即可，记得把import warnings放在上面去！！

操作如图所示：

（1）打开common.py文件