## YOLOV5:You Only Look Once目标检测模型在pytorch当中的实现(edition v5.0 in Ultralytics)
---
## 目录
1. [仓库更新 Top News](#仓库更新)
2. [相关仓库 Related code](#相关仓库)
3. [性能情况 Performance](#性能情况)
4. [所需环境 Environment](#所需环境)
5. [文件下载 Download](#文件下载)
6. [训练步骤 How2train](#训练步骤)
7. [预测步骤 How2predict](#预测步骤)
8. [评估步骤 How2eval](#评估步骤)
9. [参考资料 Reference](#Reference)
## Top News
**`2022-02`**:**仓库创建,支持不同尺寸模型训练,分别为s、m、l、x版本的yolov5、支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整、新增图片裁剪。**
## 相关仓库
| 模型 | 路径 |
| :----- | :----- |
YoloV3 | https://github.com/bubbliiiing/yolo3-pytorch
Efficientnet-Yolo3 | https://github.com/bubbliiiing/efficientnet-yolo3-pytorch
YoloV4 | https://github.com/bubbliiiing/yolov4-pytorch
YoloV4-tiny | https://github.com/bubbliiiing/yolov4-tiny-pytorch
Mobilenet-Yolov4 | https://github.com/bubbliiiing/mobilenet-yolov4-pytorch
YoloV5 | https://github.com/bubbliiiing/yolov5-pytorch
YoloX | https://github.com/bubbliiiing/yolox-pytorch
## 性能情况
| 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mAP 0.5:0.95 | mAP 0.5 |
| :-----: | :-----: | :------: | :------: | :------: | :-----: |
| COCO-Train2017 | [yolov5_s.pth](https://github.com/bubbliiiing/yolov5-pytorch/releases/download/v1.0/yolov5_s.pth) | COCO-Val2017 | 640x640 | 35.6 | 53.9
| COCO-Train2017 | [yolov5_m.pth](https://github.com/bubbliiiing/yolov5-pytorch/releases/download/v1.0/yolov5_m.pth) | COCO-Val2017 | 640x640 | 43.9 | 62.6
| COCO-Train2017 | [yolov5_l.pth](https://github.com/bubbliiiing/yolov5-pytorch/releases/download/v1.0/yolov5_l.pth) | COCO-Val2017 | 640x640 | 47.4 | 66.2
| COCO-Train2017 | [yolov5_x.pth](https://github.com/bubbliiiing/yolov5-pytorch/releases/download/v1.0/yolov5_x.pth) | COCO-Val2017 | 640x640 | 49.4 | 67.9
## 所需环境
torch==1.2.0
## 文件下载
训练所需的权值可在百度网盘中下载。
链接: https://pan.baidu.com/s/1gPDsDVX1lbcSNqCKsvzz0A
提取码: 3mjs
VOC数据集下载地址如下,里面已经包括了训练集、测试集、验证集(与测试集一样),无需再次划分:
链接: https://pan.baidu.com/s/19Mw2u_df_nBzsC2lg20fQA
提取码: j5ge
## 训练步骤
### a、训练VOC07+12数据集
1. 数据集的准备
**本文使用VOC格式进行训练,训练前需要下载好VOC07+12的数据集,解压后放在根目录**
2. 数据集的处理
修改voc_annotation.py里面的annotation_mode=2,运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。
3. 开始网络训练
train.py的默认参数用于训练VOC数据集,直接运行train.py即可开始训练。
4. 训练结果预测
训练结果预测需要用到两个文件,分别是yolo.py和predict.py。我们首先需要去yolo.py里面修改model_path以及classes_path,这两个参数必须要修改。
**model_path指向训练好的权值文件,在logs文件夹里。
classes_path指向检测类别所对应的txt。**
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。
### b、训练自己的数据集
1. 数据集的准备
**本文使用VOC格式进行训练,训练前需要自己制作好数据集,**
训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
2. 数据集的处理
在完成数据集的摆放之后,我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。
修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path,classes_path用于指向检测类别所对应的txt。
训练自己的数据集时,可以自己建立一个cls_classes.txt,里面写自己所需要区分的类别。
model_data/cls_classes.txt文件内容为:
```python
cat
dog
...
```
修改voc_annotation.py中的classes_path,使其对应cls_classes.txt,并运行voc_annotation.py。
3. 开始网络训练
**训练的参数较多,均在train.py中,大家可以在下载库后仔细看注释,其中最重要的部分依然是train.py里的classes_path。**
**classes_path用于指向检测类别所对应的txt,这个txt和voc_annotation.py里面的txt一样!训练自己的数据集必须要修改!**
修改完classes_path后就可以运行train.py开始训练了,在训练多个epoch后,权值会生成在logs文件夹中。
4. 训练结果预测
训练结果预测需要用到两个文件,分别是yolo.py和predict.py。在yolo.py里面修改model_path以及classes_path。
**model_path指向训练好的权值文件,在logs文件夹里。
classes_path指向检测类别所对应的txt。**
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。
## 预测步骤
### a、使用预训练权重
1. 下载完库后解压,在百度网盘下载权值,放入model_data,运行predict.py,输入
```python
img/street.jpg
```
2. 在predict.py里面进行设置可以进行fps测试和video视频检测。
### b、使用自己训练的权重
1. 按照训练步骤训练。
2. 在yolo.py文件里面,在如下部分修改model_path和classes_path使其对应训练好的文件;**model_path对应logs文件夹下面的权值文件,classes_path是model_path对应分的类**。
```python
_defaults = {
#--------------------------------------------------------------------------#
# 使用自己训练好的模型进行预测一定要修改model_path和classes_path!
# model_path指向logs文件夹下的权值文件,classes_path指向model_data下的txt
#
# 训练好后logs文件夹下存在多个权值文件,选择验证集损失较低的即可。
# 验证集损失较低不代表mAP较高,仅代表该权值在验证集上泛化性能较好。
# 如果出现shape不匹配,同时要注意训练时的model_path和classes_path参数的修改
#--------------------------------------------------------------------------#
"model_path" : 'model_data/yolov5_s.pth',
"classes_path" : 'model_data/coco_classes.txt',
#---------------------------------------------------------------------#
# anchors_path代表先验框对应的txt文件,一般不修改。
# anchors_mask用于帮助代码找到对应的先验框,一般不修改。
#---------------------------------------------------------------------#
"anchors_path" : 'model_data/yolo_anchors.txt',
"anchors_mask" : [[6, 7, 8], [3, 4, 5], [0, 1, 2]],
#---------------------------------------------------------------------#
# 输入图片的大小,必须为32的倍数。
#---------------------------------------------------------------------#
"input_shape" : [640, 640],
#------------------------------------------------------#
# 所使用的YoloV5的版本。s、m、l、x
#------------------------------------------------------#
"phi" : 's',
#---------------------------------------------------------------------#
# 只有得分大于置信度的预测框会被保留下来
#---------------------------------------------------------------------#
"confidence" : 0.5,
#---------------------------------------------------------------------#
# 非极大抑制所用到的nms_iou大小
#---------------------------------------------------------------------#
"nms_iou" : 0.3,
#---------------------------------------------------------------------#
# 该变量用于控制是否使用lette
没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
收起资源包目录
python-flask-vue实现前后端人体与车辆属性检测 (120个子文件)
car.cfg 2KB
index.css 227KB
style.css 4KB
car.data 133B
yolov5_m.pth.baiduyun.downloading 0B
yolov5_s.pth.baiduyun.downloading 0B
yolov5_l.pth.baiduyun.downloading 0B
simhei.ttf.baiduyun.downloading 0B
yolov5_x.pth.baiduyun.downloading 0B
DukeMTMC-reID-attribute 1KB
.gitignore 2KB
.gitignore 231B
index.html 557B
favicon.ico 1KB
main.js 873B
vue.config.js 214B
babel.config.js 53B
package-lock.json 515KB
attribute.json 8KB
package.json 1KB
label.json 1KB
LICENSE 34KB
LICENSE 1KB
Market1501-attribute 1KB
常见问题汇总.md 44KB
README.md 10KB
Rec 0001.mp4 1.91MB
car.names 4B
background.png 185KB
final.pt 41.92MB
yolov5_x.pth 335.34MB
yolov5_l.pth 179.87MB
yolov5_m.pth 81.78MB
epoch_39.pth 61.69MB
epoch_39.pth 61.69MB
yolov5_s.pth 27.9MB
ep001-loss0.428-val_loss0.219.pth 27.35MB
utils_map.py 36KB
Clipper.py 32KB
train_vehicle_multilabel.py 25KB
yolo.py 23KB
app.py 21KB
train.py 21KB
yolo_training.py 20KB
general.py 19KB
app.py 19KB
vehicle_predict.py 16KB
darknet.py 16KB
dataloader.py 14KB
darknet_util.py 13KB
VehicleDC.py 13KB
utils_bbox.py 13KB
yolo.py 10KB
person_predict.py 10KB
video_predict.py 10KB
video_predict.py 10KB
video_yolo.py 9KB
video_yolo.py 9KB
torch_utils.py 9KB
camera_opencv.py 9KB
metrics.py 8KB
train.py 8KB
predict.py 7KB
test.py 7KB
autoanchor.py 7KB
kmeans_for_anchors.py 6KB
person_pred.py 6KB
CSPdarknet.py 6KB
experimental.py 6KB
get_map.py 6KB
get_map_coco.py 5KB
voc_annotation.py 5KB
dataset.py 5KB
dataset_bak.py 5KB
google_utils.py 5KB
folder.py 5KB
save_json.py 5KB
utils_fit.py 4KB
coco_annotation.py 4KB
common.py 4KB
yolo.py 4KB
base_camera.py 4KB
bbox.py 3KB
AIDetector_pytorch.py 3KB
models.py 3KB
inference.py 3KB
callbacks.py 2KB
preprocess.py 2KB
activations.py 2KB
utils.py 2KB
utils.py 2KB
utils.py 2KB
camera_opencv_source.py 1KB
summary.py 511B
predict.py 369B
__init__.py 260B
main.py 254B
process.py 130B
__init__.py 1B
__init__.py 1B
共 120 条
- 1
- 2
资源评论
reset2021
- 粉丝: 52
- 资源: 42
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- flowable-designer-5.22.0.zip
- threadmanager.cpp
- 腾讯云小程序 - 一站式开发与部署平台
- 基于JSP+Java+Servlet采用MVC模式开发的购物网站+源码(毕业设计&课程设计&项目开发)
- fastgestures安装包,模拟mac的触控板收拾,两指代表右击, 三指拖拽
- 基于组态王的升降式横移立体车库控制系统+源码(毕业设计&课程设计&项目开发)
- 基于python+Django和协同过滤算法的电影推荐系统+源码(毕业设计&课程设计&项目开发)
- 环境配置 vscode+jupyter
- 项目全部代码,还包含使用到的图片
- 项目全部代码,还包含使用到的图片
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功