yolov5目标检测算法怎么写（Yolo-V5目标检测项目实战）

2. 模型ー训练

要开始训练过程，我们需要克隆官方的 Yolo-v5的权重和配置文件。

!git clone 'https://github.com/ultralytics/yolov5.git' !pip install -qr '/content/yolov5/requirements.txt' # install dependencies ## Create a Yaml file and move it into the yolov5 folder ## shutil.copyfile('/content/bcc.yaml', '/content/yolov5/bcc.yaml')

然后安装 requirements.txt 文件中指定的必需包。

Yolov5 结构

bcc.yaml：

现在我们需要创建一个 yaml 文件，其中包含训练和验证目录、类的数量以及标签名称。稍后我们需要把 yaml 文件放到我们克隆的 yolov5目录中。

## Contents inside the .yaml file train: /content/bcc/images/train val: /content/bcc/images/valid nc: 3 names: ['Platelets', 'RBC', 'WBC']

model’s — YAML :

现在我们需要从./models 文件夹中选择一个模型(small, medium, large, xlarge)。

下图描述了现有模型的各种特征，例如参数数量等。您可以根据手头任务的复杂性选择任何模型，默认情况下，它们都可以作为模型文件夹中的 yaml 文件。

来自 Ultralytics 的 Yolo 模型参数

模型的 YAML 文件

现在我们需要编辑我们选择的模型的 *.yaml 文件。我们只需要在本例中替换类的数量，以便与模型的 YAML 文件中的类的数量相匹配。为了简单起见，我选择 yolov5s.yaml 来加快处理速度。

## parameters nc: 3 # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple # anchors anchors: - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119] # P4/16 ...............

注意：如果我们没有替换模型的 YAML 文件中的 nc (我已经替换了) ，那么这个步骤不是强制的，它将自动覆盖我们之前创建的 nc 值(bcc.yaml) ，在训练模型时，您将看到这一行，这证明我们不必修改它。

“Overriding ./yolov5/models/yolov5s.yaml nc=80 with nc=3”

模型训练参数：

我们需要配置的训练参数，如 epoch，batch_size等

Training Parameters !python - <'location of train.py file'> - --img <'width of image'> - --batch <'batch size'> - --epochs <'no of epochs'> - --data <'location of the .yaml file'> - --cfg <'Which yolo configuration you want'>(yolov5s/yolov5m/yolov5l/yolov5x).yaml | (small, medium, large, xlarge) - --name <'Name of the best model to save after training'>

另外，如果我们愿意的话，我们可以用 tensorboard 查看日志文件。

# Start tensorboard (optional) %load_ext tensorboard %tensorboard --logdir runs/ !python yolov5/train.py --img 640 --batch 8 --epochs 100 \ --data bcc.yaml --cfg models/yolov5s.yaml --name BCCM

这将启动训练过程，需要一段时间才能完成。

我发布了一些我的训练过程的片段

训练过程摘录

训练过程摘录

METRICS FROM TRAINING PROCESS No.of classes, No.of images, No.of targets, Precision (P), Recall (R), mean Average Precision (map) - Class | Images | Targets | P | R | mAP@.5 | mAP@.5:.95: | - all | 270 | 489 | 0.0899 | 0.827 | 0.0879 | 0.0551

因此，通过 P(精度)、 R(召回率)和 mAP (平均平均精度)的值，我们可以知道我们的模型是否正常。即使我只训练了这个模型100个 epoch，它的表现还是很棒的。

Tensorboard 可视化

模型训练结束

3. 推理

现在是测试我们的模型，看看它是如何做出预测的激动人心的时刻。但是我们需要遵循一些简单的步骤。

推理参数

Inference Parameters !python - <'location of detect.py file'> - --source <'location of image/ folder to predict'> - --weight <'location of the saved best weights'> - --output <'location to store the outputs after prediction'> - --img-size <'Image size of the trained model'> (Optional) - --conf-thres <"default=0.4", 'object confidence threshold')> - --iou-thres <"default=0.5" , 'threshold for NMS')> - --device <'cuda device or cpu')> - --view-img <'display results')> - --save-txt <'saves the bbox co-ordinates results to *.txt')> - --classes <'filter by class: --class 0, or --class 0 2 3')> ## And there are other more customization availble, check them in the detect.py file. ##

运行下面的代码，对文件夹/图像进行预测。

## TO PREDICT IMAGES IN A FOLDER ## !python yolov5/detect.py --source /content/bcc/images/valid/ --weights '/content/drive/My Drive/Machine Learning Projects/YOLO/best_yolov5_BCCM.pt' --output '/content/inference/output' ## TO PREDICT A SINGLE IMAGE FILE ## output = !python yolov5/detect.py --source /content/bcc/images/valid/BloodImage_00000.jpg --weights '/content/drive/My Drive/Machine Learning Projects/YOLO/best_yolov5_BCCM.pt' print(output)

结果是好的

输出样本

输出样本

解释来自.txt 文件的输出: (可选读取)

为了以防万一，假设你正在做人脸检测和人脸识别，并且想要在你的处理过程中更近一步，假设你想使用 bbox 坐标裁剪 opencv 的人脸，并将他们发送到人脸识别模型，在这种情况下，我们不仅需要输出像上面的图形，而且我们需要每个人脸的坐标。有什么办法吗？答案是肯定的，继续读下去。

(我只使用了人脸检测和识别作为一个例子，Yolo-V5也可以用来做到这一点)

此外，我们还可以将输出保存到一个.txt 文件中，该文件包含一些输入图像的 bbox 坐标。

# class x_center_norm y_center_norm width_norm height_norm # 1 0.718 0.829 0.143 0.193 ...

运行下面的代码，获取.txt 文件中的输出,

!python yolov5/detect.py --source /content/bcc/images/valid/BloodImage_00000.jpg --weights '/content/runs/exp0_BCCM/weights/best_BCCM.pt' --view-img --save-txt

成功运行代码后，我们可以看到输出存储在推理文件夹中,

输出标签

很好，现在.txt 文件的输出格式是：

[ class x_center_norm y_center_norm width_norm height_norm ] "we need to convert it to the form specified below" [ class, x_min, y_min, width, height ]

[ class, X_center_norm, y_center_norm, Width_norm, Height_norm ] , 我们需要将其转换为 [ class, x_min, y_min, width, height ] , (也是反规范化的) ，以便于绘制。

要做到这一点，只需运行下面执行上述转换的代码。

# Plotting bbox ffrom the .txt file output from yolo # ## Provide the location of the output .txt file ## a_file = open("/content/inference/output/BloodImage_00000.txt", "r") # Stripping data from the txt file into a list # list_of_lists = [] for line in a_file: stripped_line = line.strip() line_list = stripped_line.split() list_of_lists.append(line_list) a_file.close() # Conversion of str to int # stage1 = [] for i in range(0, len(list_of_lists)): test_list = list(map(float, list_of_lists[i])) stage1.append(test_list) # Denormalizing # stage2 = [] mul = [1,640,480,640,480] #[constant, image_width, image_height, image_width, image_height] for x in stage1: c,xx,yy,w,h = x[0]*mul[0], x[1]*mul[1], x[2]*mul[2], x[3]*mul[3], x[4]*mul[4] stage2.append([c,xx,yy,w,h]) # Convert (x_center, y_center, width, height) --> (x_min, y_min, width, height) # stage_final = [] for x in stage2: c,xx,yy,w,h = x[0]*1, (x[1]-(x[3]/2)) , (x[2]-(x[4]/2)), x[3]*1, x[4]*1 stage_final.append([c,xx,yy,w,h]) fig = plt.figure() import cv2 #add axes to the image ax = fig.add_axes([0,0,1,1]) # read and plot the image ## Location of the input image which is sent to model's prediction ## image = plt.imread('/content/BCCD_Dataset/BCCD/JPEGImages/BloodImage_00000.jpg') plt.imshow(image) # iterating over the image for different objects for x in stage_final: class_ = int(x[0]) xmin = x[1] ymin = x[2] width = x[3] height = x[4] xmax = width xmin ymax = height ymin # assign different color to different classes of objects if class_ == 1: edgecolor = 'r' ax.annotate('RBC', xy=(xmax-40,ymin 20)) elif class_ == 2: edgecolor = 'b' ax.annotate('WBC', xy=(xmax-40,ymin 20)) elif class_ == 0: edgecolor = 'g' ax.annotate('Platelets', xy=(xmax-40,ymin 20)) # add bounding boxes to the image rect = patches.Rectangle((xmin,ymin), width, height, edgecolor = edgecolor, facecolor = 'none') ax.add_patch(rect)

然后输出绘制的图像看起来像这样。

前面代码的输出

4. 从模型到生产化

为了以防万一，如果您希望将模型移动到生产环境或部署到任何地方，则必须遵循以下步骤。

首先，安装依赖项来运行 yolov5，我们需要一些来自 yolov5文件夹的文件，并将它们添加到 python 系统路径目录中以加载 utils。所以把它们拷贝到你需要的地方，然后把它们移动到你需要的地方。

所以在下面的图片1，我已经打包了一些文件夹和文件，你可以下载他们，并保持在一个单独的文件夹，如图片2。

图1

图2 生产中加载的必要文件

现在我们需要告诉 python 编译器将上面的文件夹位置添加到 account 中，这样当我们运行程序时，它将在运行时加载模型和函数。

在下面的代码片段中，在第9行，我添加了 sys.path... 命令，并在其中指定了移动这些文件的文件夹位置，您可以用自己的文件夹替换它。

然后运行这些代码开始预测。

import os, sys, random from glob import glob import matplotlib.pyplot as plt %matplotlib inline !pip install -qr '/content/drive/My Drive/Machine Learning Projects/YOLO/SOURCE/requirements.txt' # install dependencies ## Add the path where you have stored the neccessary supporting files to run detect.py ## ## Replace this with your path.## sys.path.insert(0, '/content/drive/My Drive/Machine Learning Projects/YOLO/SOURCE/') print(sys.path) cwd = os.getcwd() print(cwd) ## Single Image prediction ## Beware the contents in the output folder will be deleted for every prediction output = !python '/content/drive/My Drive/Machine Learning Projects/YOLO/SOURCE/detect.py' --source '/content/BloodImage_00026.jpg' --weights '/content/drive/My Drive/Machine Learning Projects/YOLO/SOURCE/best_BCCM.pt' --output '/content/OUTPUTS/' --device 'cpu' print(output) img = plt.imread('/content/OUTPUTS/BloodImage_00026.jpg') plt.imshow(img) ## Folder Prediction output = !python '/content/drive/My Drive/Machine Learning Projects/YOLO/SOURCE/detect.py' --source '/content/inputs/' --weights '/content/drive/My Drive/Machine Learning Projects/YOLO/SOURCE/best_BCCM.pt' --output '/content/OUTPUTS/' --device 'cpu' print(output)

预测结果

,