目标检测OD

目标检测

目标检测开源实现（Yolo等框架）
Yolo：you only look once
1.环境安装
利用Anaconda安装pytorch和paddle深度学习环境+pycharm安装—免额外安装CUDA和cudnn（适合小白的保姆级教学）_didiaopao的博客-CSDN博客

conda create -n pytorch python=3.8

conda activate pytorch

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes

conda install pytorch torchvision torchaudio cpuonly -c pytorch

2.数据集标注
目标检测—利用labelimg制作自己的深度学习目标检测数据集_didiaopao的博客-CSDN博客

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

3.数据集格式
目标检测—数据集格式转化及训练集和验证集划分_didiaopao的博客-CSDN博客

VOC标签格式转yolo格式并划分训练集和测试集

4.训练自己的目标检测模型
目标检测—教你利用yolov5训练自己的目标检测模型_didiaopao的博客-CSDN博客

├── data：主要是存放一些超参数的配置文件（这些文件（yaml文件）是用来配置训练集和测试集还有验证集的路径的，其中还包括目标检测的种类数和种类的名称）；还有一些官方提供测试的图片。如果是训练自己的数据集的话，那么就需要修改其中的yaml文件。但是自己的数据集不建议放在这个路径下面，而是建议把数据集放到yolov5项目的同级目录下面。

├── models：里面主要是一些网络构建的配置文件和函数，其中包含了该项目的四个不同的版本，分别为是s、m、l、x。从名字就可以看出，这几个版本的大小。他们的检测测度分别都是从快到慢，但是精确度分别是从低到高。这就是所谓的鱼和熊掌不可兼得。如果训练自己的数据集的话，就需要修改这里面相对应的yaml文件来训练自己模型。

├── utils：存放的是工具类的函数，里面有loss函数，metrics函数，plots函数等等。

├── weights：放置训练好的权重参数。

├── detect.py：利用训练好的权重参数进行目标检测，可以进行图像、视频和摄像头的检测。

├── train.py：训练自己的数据集的函数。

├── test.py：测试训练的结果的函数。

├──requirements.txt：这是一个文本文件，里面写着使用yolov5项目的环境依赖包的一些版本，可以利用该文本导入相应版本的包。

4.1修改数据配置文件
4.2修改模型配置文件
4.3训练自己的模型启用tensorbord查看参数
4.4启用tensorbord查看参数
5.yolov5检测框显示中文标签
yolov5检测框显示中文标签_didiaopao的博客-CSDN博客
1.标注时直接定义中文标签
2.公开数据集通过代码将数据集中的英文标签转为中文标签
3.yolov5代码修改为支持中文标签

6.开源项目实验结果

6.1安全帽检测

https://www.bilibili.com/video/BV1Ri4y1o7qx?share_source=copy_web

6.2行为检测

后续应用将训练好的模型导入边缘计算设备(需要硬件产品整合调用能力)/开发Web网站（较简单）来整合识别结果及模型的跟新迭代

目标检测海康威视平台实现
海康威视AI开放平台 (hikvision.com)

1.训练（与百度等大厂AI开放能力训练流程类似）

2.部署（将算法放入边缘计算设备）

3.案例

4.应用效果

版权声明：本文为CSDN博主「Zemun」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/weixin_45606671/article/details/121701098