目标检测笔记(十三): 使用YOLOv5-7.0版本对图像进行目标检测完整版（从自定义数据集到测试验证的完整流程））

文章目录

  • 一、目标检测介绍
  • 二、YOLOv5介绍
    • 2.1 和以往版本的区别
  • 三、代码获取
    • 3.1 视频代码介绍
  • 四、环境搭建
  • 五、数据集准备
    • 5.1 数据集转换
    • 5.2 数据集验证
  • 六、模型训练
  • 七、模型验证
  • 八、模型测试
  • 九、评价指标

一、目标检测介绍

目标检测（Object Detection）是计算机视觉领域的一个重要研究方向，其主要任务是从图像或视频中识别并定位出感兴趣的目标对象。目标检测技术在许多实际应用中具有广泛的用途，如自动驾驶、视频监控、医学影像分析等。

目标检测的主要方法可以分为两大类：基于传统机器学习的方法和基于深度学习的方法。

  • 基于传统机器学习的方法：这些方法主要依赖于手工设计的特征提取器和分类器。常用的特征提取器包括SIFT、SURF、HOG等，而分类器则可以是支持向量机（SVM）、随机森林（Random Forest）、K-近邻（KNN）等。这类方法通常需要大量的标注数据进行训练，但在一些特定场景下，它们仍具有一定的性能。

  • 基于深度学习的方法：近年来，深度学习在目标检测领域取得了显著的进展。深度学习方法主要包括卷积神经网络（CNN）和区域卷积神经网络（R-CNN）。

    • 卷积神经网络（CNN）：CNN通过多层卷积层和池化层来自动学习图像的特征表示。著名的目标检测网络有Faster R-CNN、Faster R-CNN v2和YOLO（You Only Look Once）。这些网络可以生成候选框，然后使用非极大值抑制（NMS）等技术去除重叠的框，从而得到最终的目标检测结果。
    • 区域卷积神经网络（R-CNN）：R-CNN通过引入Region Proposal Network (RPN)来生成候选框。RPN首先在图像中生成一系列可能包含目标的区域，然后将这些区域送入CNN进行特征提取和分类。著名的R-CNN网络有Fast R-CNN、Faster R-CNN和Mask R-CNN。这些网络相较于传统的目标检测方法具有更高的准确率和速度。

随着深度学习技术的发展，目标检测的性能得到了显著提升，同时计算复杂度也得到了降低。这使得目标检测技术在各种应用场景中得到了广泛应用。

二、YOLOv5介绍

YOLOv5是一种目标检测算法，是YOLO（You Only Look Once）系列的较新版本。它由ultralytics团队开发的，采用PyTorch框架实现。

YOLOv5相较于之前的版本，有以下几个显著的改进：

  • 更高的精度：YOLOv5在精度上有了显著提升，特别是在小目标检测方面。
  • 更快的速度：YOLOv5相较于YOLOv4，速度更快，可以实时运行在较低的硬件设备上。
  • 更小的模型：YOLOv5相较于YOLOv4，模型大小更小，占用更少的存储空间。
  • 更好的可扩展性：YOLOv5可以很容易地进行模型的扩展和修改，以适应不同的任务和数据集。

YOLOv5的工作流程如下：

  1. 输入图像被分割成一系列的网格。
  2. 每个网格预测一系列的边界框，以及每个边界框属于不同类别的概率。
  3. 使用非极大值抑制（NMS）算法，去除重叠较多的边界框，并选择最终的检测结果。

YOLOv5可以用于各种目标检测任务，如人脸检测、车辆检测、行人检测等。它在许多计算机视觉竞赛中取得了优异的成绩，并且被广泛应用于实际应用中，如自动驾驶、视频监控等。

2.1 和以往版本的区别

YOLOv1：

  • 主干部分主要由卷积层、池化层组成，输出部分由两个全连接层组成用来预测目标的位置和置信度。
  • 原理：将每一张图片平均的分成7x7个网格，每个网格分别负责预测中心点落在该网格内的目标。
  • 优点：检测速度快、迁移能力强
  • 缺点：输入尺寸是固定的，有较大的定位误差

YOLOv2：

  • 在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），**识别对象更多（Stronger）**这三个方面进行了改进
  • 加入BN层，加速收敛；加入先验框解决物体漏检问题；多尺度训练，网络可自动改变尺寸等等
  • 优点：收敛速度快、可自动改变训练尺寸。
  • 缺点：对于小目标检测不友好

YOLOv3：

  • 针对v2的缺点，1）加入了更好的主干网络(Darknet53),而不是VGG；2）为了提升小目标检测还加入了FPN网络；3）通过聚类生成先验框（一个框：长宽，根据纵横比和它的尺寸生成的先验框）；4）加入了更好的分类器-二元交叉熵损失。
  • 优点：增强了对于小目标的检测
  • 缺点：参数量太大

YOLOv4：

  • 差别：
    • 特征提取网络的不同：1）Darknet53变成CSPDarknet53(降低了计算量，丰富了梯度信息，降低了梯度重用)相当于多个一个大残差边，再将这部分融合；2）加入了SPP-空间金字塔池化，增加感受野；3）加入了PAN操作，增加一条下采样操作
    • 激活函数不同：由leakyrelu变为mish激活函数
    • loss不同：余弦退火衰减，学习率会先上升再下降
    • 数据增强方法：采用了Cutout（随机剪切框）、GridMask（图像的区域隐藏在网格中）、MixUp（两张图混合）、Mosaic（四张图混合）等方法
  • 优点：激活函数无边界，从而避免饱和；融合了多种tricks提升网络性能；参数量相比v3更低，速度更快。
  • 缺点：不够灵活，代码对用户体验不好

YOLOv5：

  • 差别：
    • 自定锚框定义：自动预先利用聚类自定义锚框
    • 控制模型大小：通过控制深度和宽度来控制模型的大小，从而区分出s，m，l，x的不同尺寸的模型
    • 优化函数：提供了两个优化函数Adam和SGD，并都预设了与之匹配的训练超参数
    • 非极大值抑制：DIoU-nms变为加权nms。
    • Focus操作：加入切片操作，提升训练速度
  • 优点：灵活性更强，速度更快；使用Pytorch框架对用户更好，精度高。
  • 缺点：Focus的切片操作对嵌入式并不友好，网络量化不支持Focus；精度和速度不平衡。
  • 正负样本匹配策略：通过k-means聚类获得9个从小到大排列的anchor框，一个GT可以同时分配给多个anchor，它们是直接使用Anchor模板与GT Boxes进行粗略匹配，如果GT与某个anchor的iou大于给定的阈值，GT则分配给该Anchor，也就是说可以定位到对应cell的对应Anchor。以前是一个GT只分配给一个anchor。
  • 坐标定义1：xyxy→通常为(x1, y1, x2, y2)，先两个表示左上角的坐标，再两个表示右下角的坐标。具体来说，这里的‘x1’表示bbox左上角的横坐标，‘y1’表示bbox左上角的纵坐标，‘x2’表示bbox右下角的横坐标，‘y2’表示bbox右下角的纵坐标。
  • 坐标定义2：xywh→通常为(x, y, w, h)，也就是先两个表示bbox左上角的坐标，再两个表示bbox的宽和高，因此被称为 ‘xywh’ 表示。具体来说，这里的‘x’表示bbox左上角的横坐标，‘y’表示bbox左上角的纵坐标，‘w’表示bbox的宽度，‘h’表示bbox的高度。

三、代码获取

https://github.com/ultralytics/yolov5

3.1 视频代码介绍

可参考这个视频代码讲解：点击

四、环境搭建

安装ultralytics、cuda、pytorch、torchvision，然后执行pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
如果是cpu，则直接安装cpu对应的pytorch和torchvision，然后再执行后面的pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple。
参考这个博客：点击

五、数据集准备

首先我们可以通过labelImg来对图片进行标注，标注的适合我们可以选择保存为VOC或者YOLO格式的数据集，VOC对应为XML,YOLO对应为TXT。具体的准备过程可参考这篇博客：数据集学习笔记(六)：目标检测和图像分割标注软件介绍和使用，并转换成YOLO系列可使用的数据集格式

5.1 数据集转换

参考这篇博客：数据集学习笔记(六)：目标检测和图像分割标注软件介绍和使用，并转换成YOLO系列可使用的数据集格式

5.2 数据集验证

参考这篇博客：数据集学习笔记(六)：目标检测和图像分割标注软件介绍和使用，并转换成YOLO系列可使用的数据集格式

import cv2
import os# 读取txt文件信息
def read_list(txt_path):pos = []with open(txt_path, 'r') as file_to_read:while True:lines = file_to_read.readline()  # 整行读取数据if not lines:break# 将整行数据分割处理，如果分割符是空格，括号里就不用传入参数，如果是逗号， 则传入‘，'字符。p_tmp = [float(i) for i in lines.split(' ')]pos.append(p_tmp)  # 添加新读取的数据# Efield.append(E_tmp)passreturn pos# txt转换为box
def convert(size, box):xmin = (box[1] - box[3] / 2.) * size[1]xmax = (box[1] + box[3] / 2.) * size[1]ymin = (box[2] - box[4] / 2.) * size[0]ymax = (box[2] + box[4] / 2.) * size[0]box = (int(xmin), int(ymin), int(xmax), int(ymax))return boxdef draw_box_in_single_image(image_path, txt_path):# 读取图像image = cv2.imread(image_path)pos = read_list(txt_path)for i in range(len(pos)):label = classes[int(str(int(pos[i][0])))]print('label is '+label)box = convert(image.shape, pos[i])image = cv2.rectangle(image,(box[0], box[1]),(box[2],box[3]),colores[int(str(int(pos[i][0])))],2)cv2.putText(image, label,(box[0],box[1]-2), 0, 1, colores[int(str(int(pos[i][0])))], thickness=2, lineType=cv2.LINE_AA)cv2.imshow("images", image)cv2.waitKey(0)if __name__ == '__main__':img_folder = "D:\Python\company\Object_detection\datasets\mask_detection/train\images"img_list = os.listdir(img_folder)img_list.sort()label_folder = "D:\Python\company\Object_detection\datasets\mask_detection/train/labels"label_list = os.listdir(label_folder)label_list.sort()classes = {0: "no-mask", 1: "mask"}colores = [(0,0,255),(255,0,255)]for i in range(len(img_list)):image_path = img_folder + "\\" + img_list[i]txt_path = label_folder + "\\" + label_list[i]draw_box_in_single_image(image_path, txt_path)

六、模型训练

我们将所有的原图和TXT标签得到之后，为下图结构：
mask_detection

  • images
    • train
    • val
  • labels
    • train
    • val
      在这里插入图片描述
      修改yaml数据集配置文件：
      在这里插入图片描述
      统计口罩佩戴的数量信息：
# 只需要修改txt路径和样本数和类别名
import ostxt_path = "D:\Python\company\Object_detection\datasets\mask_detection/train/labels" # txt所在路径
class_num = 2  # 样本类别数
classes = {0: "no-mask", 1: "mask"}
class_list = [i for i in range(class_num)]
class_num_list = [0 for i in range(class_num)]
labels_list = os.listdir(txt_path)
for i in labels_list:file_path = os.path.join(txt_path, i)file = open(file_path, 'r')  # 打开文件file_data = file.readlines()  # 读取所有行for every_row in file_data:class_val = every_row.split(' ')[0]class_ind = class_list.index(int(class_val))class_num_list[class_ind] += 1file.close()
# 输出每一类的数量以及总数
for i in classes:print(classes.get(i),":",class_num_list[i])
print('total:', sum(class_num_list))

开始准备训练：

python train.py --data data/mask.yaml --weights weights/yolov5s.pt --img 640 --epochs 20 --workers 4 --batch-size 8

在这里插入图片描述

七、模型验证

python val.py --weights runs/train/exp/weights/best.pt --data data/mask.yaml

在这里插入图片描述

八、模型测试

python detect.py --weights runs/train/exp/weights/best.pt

在这里插入图片描述

九、评价指标

YOLOv5是一种用于目标检测的深度学习模型，它使用了YOLO（You Only Look Once）算法。评价指标是用来衡量模型性能的指标，以下是YOLOv5常用的评价指标介绍：

  • mAP（mean Average Precision）：平均精度均值。mAP是目标检测中最常用的评价指标之一，它综合考虑了准确率和召回率。mAP的取值范围是0到1，数值越高表示模型性能越好。

    • mAP50：是指平均精确度（mean Average Precision）的值，其中计算的是检测模型在IoU（Intersection over Union）阈值为0.5时的平均精确度。
    • mAP50-95 : mAP50-95是指在计算平均精确度时，使用IoU阈值从0.5到0.95的范围进行计算，然后取平均值。这个指标可以更全面地评估检测模型在不同IoU阈值下的表现。

  • Precision（精确率）：精确率是指模型预测为正例中真正为正例的比例。Precision的计算公式是预测为正例且正确的样本数除以预测为正例的样本数。

  • Recall（召回率）：召回率是指真实为正例中被模型正确预测为正例的比例。Recall的计算公式是预测为正例且正确的样本数除以真实为正例的样本数。

  • F1-score：F1-score是精确率和召回率的调和平均值，它综合考虑了两者的性能。F1-score的计算公式是2 * (Precision * Recall) / (Precision + Recall)。

  • AP（Average Precision）：平均精度。AP是mAP的组成部分，它是在不同的置信度阈值下计算得到的精度值的平均值。

  • IoU（Intersection over Union）：交并比。IoU是计算预测框和真实框之间重叠部分的比例，用于判断预测框和真实框的匹配程度。一般情况下，当IoU大于一定阈值时，认为预测框和真实框匹配成功。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/108654.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

浅谈STL|STL函数对象篇

浅谈STL|STL函数对象篇

一.函数对象概念 概念: 重载函数调用操作符的类，其对象常称为函数对象 函数对象使用重载的()时，行为类似函数调用，也叫仿函数 本质: 函数对象(仿函数)是一个类，不是一个函数 特点 函数对象在使用时，可以像普通函数那…
阅读更多...
OpenAI开发系列（二）：大语言模型发展史及Transformer架构详解

OpenAI开发系列（二）：大语言模型发展史及Transformer架构详解

全文共1.8w余字，预计阅读时间约60分钟 | 满满干货，建议收藏！ 一、介绍 在2020年秋季，GPT-3因其在社交媒体上病毒式的传播而引发了广泛关注。这款拥有超过1.75亿参数和每秒运行成本达到100万美元的大型语言模型（Large …
阅读更多...
MFC项目改为多字节字符集界面风格变为win98风格的问题

MFC项目改为多字节字符集界面风格变为win98风格的问题

在项目->属性->配置属性中,将字符集改为多字节字符集，则界面风格变成了win98风格 解决办法，在stdafx.h中有 #ifdef _UNICODE #if defined _M_IX86 #pragma comment(linker,"/manifestdependency:\"typewin32 nameMicrosoft.Windows.Com…
阅读更多...
Hbase API

Hbase API

hbase版本&#xff1a;2.3.5 1、创建maven工程&#xff0c;引入pom依赖 <dependencies><dependency><groupId>junit</groupId><artifactId>junit</artifactId><version>4.11</version></dependency><dependency>…
阅读更多...
61、SpringBoot -----跨域资源的设置----局部设置和全局设置

61、SpringBoot -----跨域资源的设置----局部设置和全局设置

★ 跨域资源共享的意义 ▲ 在前后端分离的开发架构中&#xff0c;前端应用和后端应用往往是彻底隔离的&#xff0c;二者不在同一个应用服务器内、甚至不再同一台物理节点上。 因此前端应用和后端应用就不在同一个域里。▲ 在这种架构下&#xff0c;前端应用可能采用前端框架&a…
阅读更多...
了解稀疏数组

了解稀疏数组

稀疏数组&#xff08;一种数据结构&#xff09; package com.mypackage.array;public class Demo08 {public static void main(String[] args) {//1.创建一个二维数组 11*11// 0&#xff1a;没有棋子 1&#xff1a;黑棋 2&#xff1a;白棋int[][] array1 new int[11][11];…
阅读更多...
Redis总结（一）

Redis总结（一）

目录 Redis简介 为什么使用Redis作为MySQL的缓存&#xff1f; 高性能 高并发 Redis数据结构及其使用场景分别是什么&#xff1f; String&#xff08;字符串&#xff09; 内部实现 常用命令 普通字符串基本操作 批量设置 计数器&#xff08;字符串内容为整数时使用&a…
阅读更多...
学习网络编程No.6【将服务器日志和守护进程化】

学习网络编程No.6【将服务器日志和守护进程化】

引言&#xff1a; 北京时间&#xff1a;2023/9/1/21:15&#xff0c;下午刚更新完博客&#xff0c;同理再接再厉&#xff0c;这样整天不需要干什么&#xff0c;除了玩手机的日子不多了&#xff0c;马上就要开学&#xff0c;每天需要签到签退的日子就要来临&#xff0c;烦躁&…
阅读更多...
每日刷题-5

每日刷题-5

目录 一、选择题 二、算法题 1、不要二 2、把字符串转换成整数 一、选择题 1、 解析&#xff1a;printf(格式化串&#xff0c;参数1&#xff0c;参数2,.….)&#xff0c;格式化串: printf第一个参数之后的参数要按照什么格式打印&#xff0c;比如%d--->按照整形方式打印&am…
阅读更多...
基于人体呼出气体的电子鼻系统的设计与实现

基于人体呼出气体的电子鼻系统的设计与实现

基于人体呼出气体的电子鼻系统的设计与实现 摘要 电子鼻技术是通过模式识别技术对传感器采集的人体呼出气体进行分类训练的方法。本文研究实现的电子鼻系统包括下面几个部分:首先搭建以Arduino为控制核心的气路采集装置&#xff0c;包括MOS传感器和双阀储气袋构建的传感器阵列和…
阅读更多...
【python绘图—colorbar操作学习】

【python绘图—colorbar操作学习】

文章目录 Colorbar的作用Colorbar的操作截取cmap拼接cmap双刻度列colorbar 引用 Colorbar的作用 Colorbar&#xff08;颜色条&#xff09;在绘图中的作用非常重要&#xff0c;它主要用于以下几个方面&#xff1a; 表示数据范围&#xff1a; Colorbar可以显示图中的颜色映射范围…
阅读更多...
使用内网端口映射方案，轻松实现U8用友ERP的本地部署异地远程访问——“cpolar内网穿透”

使用内网端口映射方案，轻松实现U8用友ERP的本地部署异地远程访问——“cpolar内网穿透”

文章目录 前言1. 服务器本机安装U8并调试设置2. 用友U8借助cpolar实现企业远程办公2.1 在被控端电脑上&#xff0c;点击开始菜单栏&#xff0c;打开设置——系统2.2 找到远程桌面2.3 启用远程桌面 3. 安装cpolar内网穿透3.1 注册cpolar账号3.2 下载cpolar客户端 4. 获取远程桌面…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023