学习yolov5

参考文章：手把手带你调参YOLOv5 (v5.0-v7.0)（推理）_yolov5调参-CSDN博客

一、yolov5入门使用

1. 环境搭建

(1) 下载 yolov5-master

使用 Git 克隆 YOLOv5 仓库

1
2
3
4
5
6
7
8

# 克隆 YOLOv5 仓库
git clone https://github.com/ultralytics/yolov5

# 导航到克隆的目录
cd yolov5

# 安装所需的包
pip install -r requirements.txt

Github下载 yolov5-master：https://github.com/ultralytics/yolov5

ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

如果你暂时不会使用Git，就按照下图所示下载(需要会基本使用GitHub)

(2) 创建虚拟环境、安装依赖

提前准备：

python环境>=3.8，最好是python3.8系列，否则可能存在奇怪的bug

IDE：PyCharm

如果环境配置妥当，

使用 PyCharm 打开 yolov5-master 工程，

PyCharm 检测到 requirements.txt 后会自动根据依赖项，

创建虚拟环境，

并安装依赖

(如果依赖无法成功下载，可能需要掌握科学上网，或配置国内镜像源)

1

pip install -r requirements.txt  -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

2. 获取预训练模型

前往 yolov5 GitHub Release 页面，下载官方提供的 预训练模型权重文件：Releases · ultralytics/yolov5

以 yolov5s.pt 为例，

yolov5s.pt 是一个预训练的、小型的、基于 PyTorch 的 YOLOv5 模型权重文件。它是在大型 COCO 数据集上训练好的，可以直接用于检测 80 种常见物体，或者作为起点来训练你自己的特定目标检测模型。

(1) 下载 yolov5s.pt：https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt

(2) 下载后将 yolov5s.pt 放入 yolov5-master 项目文件夹根目录下

3. 测试使用

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

# 使用网络摄像头运行推理
python detect.py --weights yolov5s.pt --source 0

# 对本地图像文件运行推理
python detect.py --weights yolov5s.pt --source img.jpg

# 对本地视频文件运行推理
python detect.py --weights yolov5s.pt --source vid.mp4

# 对屏幕截图运行推理
python detect.py --weights yolov5s.pt --source screen

# 对图像目录运行推理
python detect.py --weights yolov5s.pt --source path/to/images/

# 对列出图像路径的文本文件运行推理
python detect.py --weights yolov5s.pt --source list.txt

# 对列出流 URL 的文本文件运行推理
python detect.py --weights yolov5s.pt --source list.streams

# 使用 glob 模式对图像运行推理
python detect.py --weights yolov5s.pt --source 'path/to/*.jpg'

# 对 YouTube 视频 URL 运行推理
python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4'

# 对 RTSP、RTMP 或 HTTP 流运行推理
python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4'

二、创建自己的数据集

需要环境：

python 3.8 任意版本(否则可能会出现奇怪的bug)

1.使用现成/创造新的原始数据集

数据增强方法：

2.数据标注

(1) 使用 PyCharm 新建 python 项目

(2) 安装数据标注软件 labelimg

1

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

(3) 安装完成后在终端输入 labelimg

设置为自动保存模式

选择 未标注图片所处文件夹 与 标注后图片保存的文件夹

标注格式选择 YOLO 格式

开始标注(如果打开了 Auto Save mode 就不用频繁地保存了)

labelimg 快捷键：

生成的标注文件如下图所示：

分析生成的所有标记文件，共分为两种：

class.txt：所有 label 的名称，

一行一个 label 名称，它们有对应的 label id，

第一行 label id 为0，

第二行 label id 为1，以此类推

图片名.txt：对应图片中所有标注框的相关参数，

一行信息对应一个标注框的参数，包含5组数字，

用空格划分，分别对应

一个标注框的 label id、x(目标框中心点x坐标)、y(目标框中心点y坐标)、w(目标框宽度)、h(目标框高度)

实际应用：在树莓派5上部署YOLOV5模型并实现目标检测、mqtt通信、串口发送

1.系统：TF卡烧录 RaspyBerryPiOS 64bit (自带VNC方便远程连接)

2.项目下载：( YOLOv5官方项目 - yolov5-master )

https://github.com/ultralytics/yolov5/archive/refs/heads/master.zip

1
2
3
4
5

# 克隆仓库
git clone https://github.com/immortal3180/yolov5-mqtt-serial.git

# 与远程仓库同步
git pull

3.环境配置：

1
2

# 进入项目目录
cd ~/xxxxx/yolov5-master

1
2

# 创建虚拟环境
python3 -m venv venv

1
2
3
4
5
6
7

# 激活虚拟环境
source venv/bin/activate

# 激活成功后，你的命令行提示符前面会出现 (venv) 的字样，像这样：
(venv) a123@abc:~/xxxxx/yolov5-master $ 
# 当你完成工作后，可以随时退出虚拟环境。
deactivate

1
2

# 安装依赖(通过清华源)
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple 

1
2

# 运行脚本
python detect.py --weights yolov5s.pt --source 0

实际使用的实际应用：

1
2
3
4

# 手动启动
a123@abc:~ $ cd ~/Desktop/WorkSpace/yolov5-mqtt-serial
a123@abc:~/Desktop/WorkSpace/yolov5-mqtt-serial $ source venv/bin/activate
(venv) a123@abc:~/Desktop/WorkSpace/yolov5-mqtt-serial $ python detect.py --weights trash0.pt --source 0 

1
2

# 使用跳线帽短接串口，再使用minicom观察串口输出信息：
minicom -D /dev/ttyAMA0 -b 115200

1
2
3
4

# 更改风扇策略
sudo nano /boot/firmware/config.txt
# 查看cpu温度
watch -n 1 vcgencmd measure_temp