首页 » 机器视觉 » 正文
机器视觉

半小时搞定Yolov5安装配置及使用（详细过程）

You only look once (YOLO) is a state-of-the-art, real-time object detection system. On a Pascal Titan X it processes images at 30 FPS and has a mAP of 57.9% on COCO test-dev.

在这里插入图片描述

之前在学习目标检测的时候，正值Yolov5发布，当时试用了下感觉还不错，最近有时间 使用最新的Yolov5源码，重新整理下安装配置到使用过程。。实践整个过程半小时即可搞定（前提已有Anaconda）

在这里插入图片描述

总体来看Yolov5的速度和效率较之前yolov4等系列都快，准确度更高。。

在下载配置Yolov5前，先要安装好Anaconda环境，可参考之前博文：最新Anaconda3的安装配置及使用教程（详细过程）

Yolov5官方doc：https://docs.ultralytics.com/quick-start/

1. 下载Yolov5

1.1 下载Yolov5源码：

在这里插入图片描述

直接git clone到本地工作目录，等待下载完成：

git clone https://github.com/ultralytics/yolov5

在这里插入图片描述
Yolov5代码目录架构：
在这里插入图片描述

1.2 下载Yolov5预训练模型：

既已经训练好的权重参数数据，可以直接使用，就不要在本机再做Traninig了

在这里插入图片描述

找到最新的release，点开下面的Assets下载（.pt文件就是pytorch的模型文件）：
在这里插入图片描述
下载后放到Yolov5源码根目录，或新建个weights/目录中使用：
在这里插入图片描述

yolov5共有四种模型：yolov5s、yolov5m、yolov5l、yolov5x。

不同的预训练模型 ，效果和精度不一样，如下图

在这里插入图片描述

其中yolov5s目标检测速度最快，因为其网络参数最少，但相应的，检测效果相比是最差的

而yolov5x是检测效果最好的，参数最多，而时间上最慢。。

具体使用可以根据实际需要，例如如果目标检测应用场景比较看重速度，就用yolov5s.pt
在这里插入图片描述
其中P5/P6模型的差异：（模型后面不带6的就是P5）

  • YOLOv5-P5 models (same architecture as v4.0 release): 3 output layers P3, P4, P5 at strides 8, 16, 32, trained at --img 640
python detect.py --weights yolov5s.pt  # P5 models
                           yolov5m.pt
                           yolov5l.pt
                           yolov5x.pt
  • YOLOv5-P6 models: 4 output layers P3, P4, P5, P6 at strides 8, 16, 32, 64 trained at --img 1280
python detect.py --weights yolov5s6.pt  # P6 models
                           yolov5m6.pt
                           yolov5l6.pt
                           yolov5x6.pt

模型在GPU 下的效率测试数据图：
在这里插入图片描述

P5模型在Coco数据集的训练参数图：
在这里插入图片描述

2. 安装Yolov5

源码下完后，下面开始安装Yolov5所需模块，

直接pip install -r requirements.txt，等待安装完成即可

python -m pip install -r requirements.txt

在这里插入图片描述

如果没有cuda默认安装的pytorch-cpu版，如果有gpu可以安装gpu版：https://pytorch.org/get-started/locally/， 提升速度

在这里插入图片描述

可以打开看下requirements.txt的依赖包：
在这里插入图片描述

3. 测试Yolov5 ：

就使用源码中的Detect.py即可：

 python detect.py --source 0  # webcam
                            file.jpg  # image 
                            file.mp4  # video
                            path/  # directory
                            path/*.jpg  # glob
                            'https://youtu.be/NUsoVlDFqZg'  # YouTube video
                            'rtsp://example.com/media.mp4'  # RTSP, RTMP,

最新版还支持了直接通过Youtube 的url进行目标检测

3.1 Img图片测试

然后通过detect.py对图像进行目标检测：

python detect.py --source ./data/image/bus.jpg

detect.py默认使用同目录下的yolov5s.pt 模型，如果想用其他的，可以用–weights 进行指定。
在这里插入图片描述

然后可以在yolov5/runs/detect目录下找到模型输出结果的文件夹 ：
在这里插入图片描述

这是源码自带的bus.jpg识别效果：
在这里插入图片描述
在网上随便找了一张图片，下载试了效果也不错，同时Yolov5处理该图片时间只用了0.3s

python detect.py --source ./data/image/people.jpg

在这里插入图片描述

3.2 Video视频测试

源码自带没有视频demo，这里就拿我老家的柯基狗崽子们做个测试，哈哈~
在这里插入图片描述
视频放到data目录中即可：
在这里插入图片描述
然后通过detect.py对视频进行目标检测：

python detect.py --source data/video/dog1.mp4

在这里插入图片描述
视频Detect就有些慢了，因为也是转换为图片放到模型处理的，我实测了19s 3M多的视频 用了97s
在这里插入图片描述

实际测试效果如下，
在这里插入图片描述

在识别有时候也会像下面错误识别为cat，如果用yolov5x.pt识别准确度会高一些，当然也可能因为小奶狗长的有点像小猫吧~~。。。

ang

当然识别率也和视频拍摄角度和清晰度、晃动程度有很大关系。。
比如用固定摄像头拍摄的图像，效果会好一些：

在这里插入图片描述

总体来看YOLOv5识别效果也不错了，后期可以对模型进行微调和优化 来提高某一类object的识别率。。。

3.3 摄像头测试

使用本机摄像头测试Yolov5实时检测：

python detect.py --source 0

在这里插入图片描述

就会弹出摄像头页面，识别到的物体会用不同颜色的方框进行标识，同时上面会显示名称和概率（置信度）

如果通过摄像头检测出识别的物体会打印出来：比如下面的person，cell phone等。
在这里插入图片描述

随便找了手边几样东西测试了下，效果还不错：
在这里插入图片描述

3.4 App测试

细心的小伙伴应该看到上面第一张图片App store的宣传照片，没错，IOS可以直接下载iDetection来通过手机摄像头实时测试/使用Yolo 目标检测：

在这里插入图片描述

App上面也是可选择四种Yolov5 model

随手选择模型打开摄像头即可实时检测：
在这里插入图片描述

在这里插入图片描述

至此 Yolov5的安装使用测试都已经OK了，根据初步印象来看，Yolov5的配置简单，并且识别效率和速度都是不错的。。

下面章节开始训练自己的数据和模型调优、源码分析等。。。

Yolov5自定义图片训练及测试（详细过程）

博主热门文章推荐：

一篇读懂系列：

LoRa Mesh系列：

网络安全系列：

嵌入式开发系列：

AI / 机器学习系列：

在这里插入图片描述

版权声明：本文为CSDN博主「HowieXue」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/HowieXue/article/details/118445766

标签： · · ·
点赞 0

HowieXue

我还没有学会写个人说明！

暂无评论

发表评论

相关推荐

Yolo系列知识点梳理（Yolov1-v5）
机器视觉 2024-05-10

Yolo系列知识点梳理（Yolov1-v5）

1 概述 Yolo系列的模型是大多数做目标检测的图像算法工程师都在使用的，使用时经常也是先用了看看效果再说，如果效果不错，有时间再回头来研究一下模型，有时甚至就忘了回过头来细究。这篇文章

分享到：