精品无吗,国产成人aaaa,91精品国产综合久久久久久软件,成年人视频网站,一本—道久久a久久精品蜜桃,国产美女日逼,爱搞搞网,欧美激情999

點(diǎn)擊下方卡片，關(guān)注“新機(jī)器視覺”公眾號(hào)

重磅干貨，第一時(shí)間送達(dá)

來源：古月居

0、摘要

YOLOV5嚴(yán)格意義上說并不是YOLO的第五個(gè)版本，因?yàn)樗]有得到Y(jié)OLO之父Joe Redmon的認(rèn)可，但是給出的測(cè)試數(shù)據(jù)總體表現(xiàn)還是不錯(cuò)。詳細(xì)數(shù)據(jù)如下：

YOLOv5并不是一個(gè)單獨(dú)的模型，而是一個(gè)模型家族，包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5x+TTA，這點(diǎn)有點(diǎn)兒像EfficientDet。

由于沒有找到V5的論文，我們也只能從代碼去學(xué)習(xí)它?？傮w上和YOLOV4差不多，可以認(rèn)為是YOLOV5的加強(qiáng)版。

項(xiàng)目地址：

https://github.com/ultralytics/YOLOv5

1、下載代碼

項(xiàng)目地址：https://github.com/ultralytics/YOLOv5

最近作者又更新了一些代碼。

2、配置環(huán)境

matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 pillow PyYAML>=5.3 scipy>=1.4.1 tensorboard>=2.2 torch>=1.6.0 torchvision>=0.7.0 tqdm>=4.41.0

3、準(zhǔn)備數(shù)據(jù)集

數(shù)據(jù)集采用Labelme標(biāo)注的數(shù)據(jù)格式，數(shù)據(jù)集從RSOD數(shù)據(jù)集中獲取了飛機(jī)和油桶兩類數(shù)據(jù)集，并將其轉(zhuǎn)為L(zhǎng)abelme標(biāo)注的數(shù)據(jù)集。

數(shù)據(jù)集的地址：

https://pan.baidu.com/s/1iTUpvA9_cwx1qiH8zbRmDg

提取碼：gr6g

或者：

https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/14003627

將下載的數(shù)據(jù)集解壓后放到工程的根目錄。為下一步生成測(cè)試用的數(shù)據(jù)集做準(zhǔn)備。

如下圖：

4、生成數(shù)據(jù)集

YoloV5的數(shù)據(jù)集和以前版本的數(shù)據(jù)集并不相同，我們先看一下轉(zhuǎn)換后的數(shù)據(jù)集。

數(shù)據(jù)結(jié)構(gòu)如下圖：

images文件夾存放train和val的圖片

labels里面存放train和val的物體數(shù)據(jù)，里面的每個(gè)txt文件和images里面的圖片是一一對(duì)應(yīng)的。

txt文件的內(nèi)容如下：

格式：物體類別 x y w h ?

坐標(biāo)是不是真實(shí)的坐標(biāo)，是將坐標(biāo)除以寬高后的計(jì)算出來的，是相對(duì)于寬和高的比例。

下面我們編寫生成數(shù)據(jù)集的代碼，新建LabelmeToYoloV5.py，然后寫入下面的代碼。

import os import numpy as np import json from glob import glob import cv2 from sklearn.model_selection import train_test_split from os import getcwd   classes = ["aircraft", "oiltank"] # 1.標(biāo)簽路徑 labelme_path = "LabelmeData/" isUseTest = True ?# 是否創(chuàng)建test集 # 3.獲取待處理文件 files = glob(labelme_path + "*.json") files = [i.replace("\\", "/").split("/")[-1].split(".json")[0] for i in files] print(files) if isUseTest:  ? ?trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55) else:  ? ?trainval_files = files # split train_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55)     def convert(size, box):  ? ?dw = 1. / (size[0])  ? ?dh = 1. / (size[1])  ? ?x = (box[0] + box[1]) / 2.0 - 1  ? ?y = (box[2] + box[3]) / 2.0 - 1  ? ?w = box[1] - box[0]  ? ?h = box[3] - box[2]  ? ?x = x * dw  ? ?w = w * dw  ? ?y = y * dh  ? ?h = h * dh  ? ?return (x, y, w, h)     wd = getcwd() print(wd)     def ChangeToYolo5(files, txt_Name):  ? ?if not os.path.exists('tmp/'):  ? ? ? ?os.makedirs('tmp/')  ? ?list_file = open('tmp/%s.txt' % (txt_Name), 'w')  ? ?for json_file_ in files:  ? ? ? ?json_filename = labelme_path + json_file_ + ".json"  ? ? ? ?imagePath = labelme_path + json_file_ + ".jpg"  ? ? ? ?list_file.write('%s/%s\n' % (wd, imagePath))  ? ? ? ?out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w')  ? ? ? ?json_file = json.load(open(json_filename, "r", encoding="utf-8"))  ? ? ? ?height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shape  ? ? ? ?for multi in json_file["shapes"]:  ? ? ? ? ? ?points = np.array(multi["points"])  ? ? ? ? ? ?xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0  ? ? ? ? ? ?xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0  ? ? ? ? ? ?ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0  ? ? ? ? ? ?ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0  ? ? ? ? ? ?label = multi["label"]  ? ? ? ? ? ?if xmax <= xmin:  ? ? ? ? ? ? ? ?pass  ? ? ? ? ? ?elif ymax <= ymin:  ? ? ? ? ? ? ? ?pass  ? ? ? ? ? ?else:  ? ? ? ? ? ? ? ?cls_id = classes.index(label)  ? ? ? ? ? ? ? ?b = (float(xmin), float(xmax), float(ymin), float(ymax))  ? ? ? ? ? ? ? ?bb = convert((width, height), b)  ? ? ? ? ? ? ? ?out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')  ? ? ? ? ? ? ? ?print(json_filename, xmin, ymin, xmax, ymax, cls_id) ChangeToYolo5(train_files, "train") ChangeToYolo5(val_files, "val") ChangeToYolo5(test_files, "test")

這段代碼執(zhí)行完成會(huì)在LabelmeData生成每個(gè)圖片的txt標(biāo)注數(shù)據(jù)，同時(shí)在tmp文件夾下面生成訓(xùn)練集、驗(yàn)證集和測(cè)試集的txt，txt記錄的是圖片的路徑，為下一步生成YoloV5訓(xùn)練和測(cè)試用的數(shù)據(jù)集做準(zhǔn)備。

在tmp文件夾下面新建MakeData.py文件，生成最終的結(jié)果，目錄結(jié)構(gòu)如下圖：

打開MakeData.py,寫入下面的代碼。

import shutilimport os file_List = ["train", "val", "test"]for file in file_List: ? ?if not os.path.exists('../VOC/images/%s' % file): ? ? ? ?os.makedirs('../VOC/images/%s' % file) ? ?if not os.path.exists('../VOC/labels/%s' % file): ? ? ? ?os.makedirs('../VOC/labels/%s' % file) ? ?print(os.path.exists('../tmp/%s.txt' % file)) ? ?f = open('../tmp/%s.txt' % file, 'r') ? ?lines = f.readlines() ? ?for line in lines: ? ? ? ?print(line) ? ? ? ?line = "/".join(line.split('/')[-5:]).strip() ? ? ? ?shutil.copy(line, "../VOC/images/%s" % file) ? ? ? ?line = line.replace('JPEGImages', 'labels') ? ? ? ?line = line.replace('jpg', 'txt') ? ? ? ?shutil.copy(line, "../VOC/labels/%s/" % file)

執(zhí)行完成后就可以生成YoloV5訓(xùn)練使用的數(shù)據(jù)集了。結(jié)果如下：

5、修改配置參數(shù)

打開voc.yaml文件，修改里面的配置參數(shù)

train: VOC/images/train/  # 訓(xùn)練集圖片的路徑

val: VOC/images/val/  # 驗(yàn)證集圖片的路徑

# number of classes nc: 2 #檢測(cè)的類別，本次數(shù)據(jù)集有兩個(gè)類別所以寫2   # class names names: ["aircraft", "oiltank"]#類別的名稱，和轉(zhuǎn)換數(shù)據(jù)集時(shí)的list對(duì)應(yīng)

6、修改train.py的參數(shù)

cfg參數(shù)是YoloV5 模型的配置文件，模型的文件存放在models文件夾下面，按照需求填寫不同的文件。

weights參數(shù)是YoloV5的預(yù)訓(xùn)練模型，和cfg對(duì)應(yīng)，例：cfg配置的是yolov5s.yaml，weights就要配置yolov5s.pt

data是配置數(shù)據(jù)集的配置文件，我們選用的是voc.yaml，所以配置data/voc.yaml

修改上面三個(gè)參數(shù)就可以開始訓(xùn)練了，其他的參數(shù)根據(jù)自己的需求修改。修改后的參數(shù)配置如下：

parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path') parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml path') parser.add_argument('--data', type=str, default='data/voc.yaml', help='data.yaml path')

?修改完成后，就可以開始訓(xùn)練了。如下圖所示：

7、查看訓(xùn)練結(jié)果

在經(jīng)歷了300epoch訓(xùn)練之后，我們會(huì)在runs文件夾下面找到訓(xùn)練好的權(quán)重文件和訓(xùn)練過程的一些文件。如圖：

8、測(cè)試

首先需要在voc.yaml中增加測(cè)試集的路徑，打開voc.yaml，在val字段后面增加test: tmp/test.txt這行代碼，如圖：

修改test.py中的參數(shù)，下面的這幾個(gè)參數(shù)要修改。

parser = argparse.ArgumentParser(prog='test.py')parser.add_argument('--weights', nargs='+', type=str, default='runs/exp7/weights/best.pt', help='model.pt path(s)')parser.add_argument('--data', type=str, default='data/voc.yaml', help='*.data path')parser.add_argument('--batch-size', type=int, default=2, help='size of each image batch')parser.add_argument('--save-txt', default='True', action='store_true', help='save results to *.txt')

在275行?修改test的方法，增加保存測(cè)試結(jié)果的路徑。這樣測(cè)試完成后就可以在inference\images查看到測(cè)試的圖片，在inference\output中查看到保存的測(cè)試結(jié)果。

如圖：

下面是運(yùn)行的結(jié)果：

代碼和模型：

https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/13094352

本文僅做學(xué)術(shù)分享，如有侵權(quán)，請(qǐng)聯(lián)系刪文。

—THE END—

YoloV5實(shí)戰(zhàn)：手把手教物體檢測(cè)