YOLOv5

Github

从0到1基于yolov5训练图片缺口识别模型，内含使用接口和权重文件！！~若有人需要，可开源1000张的数据集
觉得有用的朋友，麻烦留下小星星~~
https://github.com/Yakuho/Yolov5GapDetect

What is YOLO

“You Only Look Once”或“YOLO”是一个对象检测算法的名字，这是Redmon等人在2016年的一篇研究论文中命名的。是当前出色的目标检测算法之一。(Github官方地址: YOLOv5-Github)

Why choice YOLO

YOLO系列的算法是目标识别任务中比较前沿的算法之一。由于其出色的推理速度、较小的模型大小和妈妈般的呵护 (提供大量的方便的接口) ，广受开发者的喜爱。下图是YOLOv3与其他目标检测算法性能的比较，其图来自YOLOv3论文原图。(作者为了突出其性能将YOLOv3性能曲线标在了坐标系外)
在这里插入图片描述
经过几代的YOLO系列算法的发展，在YOLOv5中，为了让开发者根据目标检测的复杂度，给出了4种不同的模型用于匹配不同复杂度的检测任务，来提升mAP。下图一是显示4个不同的网络中，分别所占的模型参数数量、推理速度和平均准确率；图二4个模型的性能曲线。
在这里插入图片描述

在这里插入图片描述

How to use YOLO

这里使用检测图片中的缺口为例子，使用YOLOv5实现目标识别。

# 使用git将YOLOv5拉回来
>> git clone https://github.com/ultralytics/yolov5.git

在这里插入图片描述

准备数据集，带有缺口的图片1k张。
使用labelimg标注1k张的图片缺口位置并选择生成的格式为YOLO数据集格式。(格式文件和图片放在同一个目录下)

YOLO格式如下图所示；格式: (量化后的类别, Xmid, Ymid, Width, Height), 其中四个坐标是经过归一化处理的。
归一化处理：(box的x除以整张图片的w，box的y除以整张图片的h，box的w除以整张图片的w，box的h除以整张图片的h)
```
# 安装
>> pip install labelimg
# 使用
>> labelimg
```
将图片分割成训练集和验证集并生成两个TXT文件。在此例子中，1k张图片我按照9：1比例进行分割。训练集9，验证集1.

文件内容是图片绝对路径。如下图是训练集中的图片的绝对路径。
编辑数据集配置文件
在YOLO根目录下，从./data创建一个新的YAML文件如GapTrain.yaml，写入数据。也可借鉴当前目录下的yaml，编写数据集配置。补充：names的顺序和第2步YOLO格式的类别是对应的，例如0是缺口的，那么List中第0位的标签就是"Gap"。标签是英文标签~~~

ps：jpg/png等图片放置的文件夹为images，yolo.txt标签文件放置的文件夹为labels，如下所示
编辑模型配置文件，根据你选择的模型编辑。例如选择YOLOv5m.pt模型进行训练。
下载预训练权重并放到根目录下的models文件夹中，官方权重下载链接
开始训练
Trips：可以使用谷歌的CoLab免费使用Tesla显卡进行训练，速度更快更省电哦~~~
训练设置输入图片尺寸为160*160，batch-size为100，epochs为80
```
python train.py --img 160 --batch 100 --epoch 80 --data data/GapTrain.yaml --cfg models/yolov5m.yaml --weights weights/yolov5m.pt --single-cls
```
训练结束后，可以看到验证集各项指数基本收敛，召回率达到1，map也能到95以上。且yolov5m模型大小只有42.4M，yolov5s模型大小还能只有十几M。
在训练的过程中，可以在根目录下的runs找到训练时候生成的指标曲线以及对应的参数可视化图 (如果没有使用–name的话，默认是在runs/train/exp) 。配套服务十分齐全~~如Precision，Recall等曲线；tensorbroad的可视化events.out…文件；标签占训练集的分布labels；训练时候，验证集预测的结果test_batch0_pred等等等等…
使用验证集测试并可视化结果
由于在训练我将图片尺寸设置在160160，故在测试也将尺寸设置为160160，选择训练后最好的权重文件。置信度阈值设置为大于0.7。其余的设置请到源码中查看，这里不做额外的解释
```
python test.py  --imgsz 160 --data data/GapTrain.yaml --weights ./runs/train/exp/weights/best.pt --conf-thres 0.7 --single-cls --augment
```
可以看到在验证集图片200张，推理速度非常快。并且也能从根目录下的runs找到测试后的指标数据。
测试实际图片。
与训练集与验证集具有相同特征分布的50张新图片，并放置根目录下的data/images文件夹中 (因为默认路径是这个而且我没有另外指定路径) ，并运行代码。
```
python detect.py --weights ./runs/train/exp/weights/best.pt --conf-thres 0.7 --imgsz 160
```
推理速度在Tesla显卡的加持下，推理每张图片平均只需要10ms。另外在GTX1050显卡下，yolov5s的推理是18ms左右，yolov5m的推理时间是28ms左右。从老地方runs查看推理的结果。