人工智能项目资料-基于pytorch,deepsort,yolov5实现.zip

<style> </style> 首先将数据集分为train和test两个文件，test文件下有Annotations、ImageSets和JPEGImages三个子文件，train文件下也有Annotations、ImageSets和JPEGImages三个子文件。  然后运行voc_label.py，将数据集转化为yolov5能训练的数据集 到yolov5官网上选择下载一个自己需要用到的权重文件，放入weights文件夹内  根据自己需求来修改data目录下的myvoc文件 到models目录下打开自己下载的权重文件修改类别数目（nc） 打开train.py文件  在该句中修改为自己下载的权重文件 parser.add_argument('--weights', type=str, default=ROOT / 'weights/yolov5m.pt', help='initial weights path') 在该句中修改为在models文件下的权重文件所对应的yaml文件 parser.add_argument('--cfg', type=str, default='models/yolov5m.yaml', help='model.yaml path') 在该句中选择所要训练的次数 parser.add_argument('--epochs', type=int, default=1) 在该句中根据自己显卡的性能选择相应的batch-size parser.add_argument('--batch-size', type=int, default=1, help='total batch size for all GPUs, -1 for autobatch') 将训练完的模型放入yolov5-deepsort的weights文件里，然后将所需运行的视频放在video文件夹下然后运行main即可进行识别。 所需要的python库 # YOLOv5 requirements # Usage: pip install -r requirements.txt # Base ---------------------------------------- matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.1 Pillow>=7.1.2 PyYAML>=5.3.1 requests>=2.23.0 scipy>=1.4.1 # Google Colab version torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.41.0 protobuf<=3.20.1 # https://github.com/ultralytics/yolov5/issues/8012 # Logging ------------------------------------- tensorboard>=2.4.1 # wandb # Plotting ------------------------------------ pandas>=1.1.4 seaborn>=0.11.0 # Export ------------------------------------- coremltools>=4.1 # CoreML export onnx>=1.9.0 # ONNX export onnx-simplifier>=0.3.6 # ONNX simplifier scikit-learn==0.19.2 # CoreML quantization tensorflow>=2.4.1 # TFLite export tensorflowjs>=3.9.0 # TF.js export openvino-dev # OpenVINO export # Extras -------------------------------------- ipython # interactive notebook psutil # system utilization thop # FLOPs computation #albumentations>=1.0.3 #pycocotools>=2.0 # COCO mAP roboflow Pytorch版本1.8.0