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