YOLO v5
1.0.0
? ? Теперь Yolov5 был обновлен до версии 6.0, но его метод обучения такой же, как этот репо. Вам нужно только установить соответствующую среду Python в соответствии с соответствующей версией. Конструкция его набора данных, модификация файлов конфигурации, метод обучения и т. Д. Совершенно согласуется с этим репо!
? ? Мы предоставляем вызовы Yolov5 Tensorrt и квантованный C ++ и код Python Int8 (метод ускорения Tensorrt отличается от вызовов Tensorrt, предоставленных этим репо). Большие парни в «Нужных парнях» могут оставить сообщение в выпусках!
Сюй Цзин
Из-за корректировки основы и некоторых параметров официальной новой версии Yolo V5, многие друзья загрузили последнюю официальную предварительно обученную модель и недоступны. Здесь мы предоставляем адрес загрузки облачного диска Baidu оригинальной предварительно обученной модели Yolo V5.
Ссылка: https://pan.baidu.com/s/1sdwp6i_mnrlk45qdb3-ynw код извлечения: 423J
Yolov4 еще не утих, Yolov5 был выпущен!
9 июня UltraLytics открыла источник Yolov5, менее чем через 50 дней после выпуска последнего Yolov4. И на этот раз Yolov5 полностью реализован на основе Pytorch!
Основным участником YOLO V5 является автор улучшения данных мозаики, выделенного в Yolo V4
Этот проект описывает, как обучать YOLO V5 на основе вашего собственного набора данных
Тем не менее, есть некоторые различия между информацией, предоставленной Yolo V4 и официальными:
Установите необходимый пакет Python и настройте связанные среды
# python3.6
# torch==1.3.0
# torchvision==0.4.1
# git clone yolo v5 repo
git clone https://github.com/ultralytics/yolov5 # clone repo
# 下载官方的样例数据（这一步可以省略）
python3 -c "from yolov5.utils.google_utils import gdrive_download; gdrive_download('1n_oKgR81BJtqk75b00eAjdv03qVCQn2f','coco128.zip')" # download dataset
cd yolov5
# 安装必要的package
pip3 install -U -r requirements.txt
dataset.yaml файла конфигурации. YAML набора данных Data/Coco128.yaml происходит от первых 128 тренировочных изображений набора данных Coco Train2017. Вы можете изменить файл yaml вашего собственного набора данных на основе этого yaml
# train and val datasets (image directory or *.txt file with image paths)
train: ./datasets/score/images/train/
val: ./datasets/score/images/val/
# number of classes
nc: 3
# class names
names: ['QP', 'NY', 'QG']
Вы можете использовать Labelimg, Labme, Labelbox и CVAT для маркировки данных. Для обнаружения цели вам нужно пометить ограничивающую коробку. Затем вам необходимо преобразовать аннотацию в ту же форму аннотации, что и формат Darknet , и каждое изображение генерирует файл аннотации *.txt (если изображение не имеет цели аннотации, вам не нужно создавать файл *.txt ). Созданный файл *.txt следуется следующим правилам:
class x_center y_center width height def convert ( size , box ):
'''
将标注的xml文件标注转换为darknet形的坐标
'''
dw = 1. / ( size [ 0 ])
dh = 1. / ( size [ 1 ])
x = ( box [ 0 ] + box [ 1 ]) / 2.0 - 1
y = ( box [ 2 ] + box [ 3 ]) / 2.0 - 1
w = box [ 1 ] - box [ 0 ]
h = box [ 3 ] - box [ 2 ]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return ( x , y , w , h ) Каждая аннотация *.txt файл хранится в каталоге файлов, аналогично изображению. Вам нужно только заменить /images/*.jpg на /lables/*.txt (эта внутренняя обработка этого кода такая при загрузке данных. Вы можете изменить его в формат данных VOC для загрузки)
Например:
datasets/score/images/train/000000109622.jpg # image
datasets/score/labels/train/000000109622.txt # label
Если файл метки содержит 5 категорий человека (человек - это первая категория в наборе данных Coco, поэтому индекс равен 0):
Храните изображения и мешки папки обучающего набора и проверки, установленных в Val следующим образом
На этом этапе этап подготовки данных была завершена. В ходе процесса мы предполагаем, что процесс очистки данных и деления данных инженера -инженера Алгоритма были завершены сами по себе.
Выберите модель, которая должна быть обучена в папке ./models . Здесь мы выбираем yolov5x.yaml, самую большую модель для обучения. Обратитесь к таблице в официальном чтении, чтобы понять размер и скорость вывода различных моделей. Если вы выбрали модель, вам необходимо изменить файл yaml , соответствующий модели
# parameters
nc : 3 # number of classes <------------------ UPDATE to match your dataset
depth_multiple : 1.33 # model depth multiple
width_multiple : 1.25 # layer channel multiple
# anchors
anchors :
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# yolov5 backbone
backbone :
# [from, number, module, args]
[[-1, 1, Focus, [64, 3]], # 1-P1/2
[-1, 1, Conv, [128, 3, 2]], # 2-P2/4
[-1, 3, Bottleneck, [128]],
[-1, 1, Conv, [256, 3, 2]], # 4-P3/8
[-1, 9, BottleneckCSP, [256]],
[-1, 1, Conv, [512, 3, 2]], # 6-P4/16
[-1, 9, BottleneckCSP, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 8-P5/32
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 6, BottleneckCSP, [1024]], # 10
]
# yolov5 head
head :
[[-1, 3, BottleneckCSP, [1024, False]], # 11
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 12 (P5/32-large)
[-2, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 1, Conv, [512, 1, 1]],
[-1, 3, BottleneckCSP, [512, False]],
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 17 (P4/16-medium)
[-2, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 1, Conv, [256, 1, 1]],
[-1, 3, BottleneckCSP, [256, False]],
[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 22 (P3/8-small)
[[], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
# Train yolov5x on score for 300 epochs
$ python3 train.py --img-size 640 --batch-size 16 --epochs 300 --data ./data/score.yaml --cfg ./models/score/yolov5x.yaml --weights weights/yolov5x.pt
После начала обучения проверьте train*.jpg Image, чтобы просмотреть учебные данные, этикетки и улучшения данных. Если ваше изображение отображает этикетки или усовершенствования данных неверны, вы должны проверить, есть ли какие -либо проблемы с процессом строительства вашего набора данных.
После завершения учебной эпохи проверьте test_batch0_gt.jpg , чтобы увидеть метки партии 0
Проверьте test_batch0_pred.jpg , чтобы увидеть прогноз тестовой партии 0
Потери обучения и показатели оценки сохраняются в файлах журнала Tensorboard и results.txt . results.txt будет визуализирован как results.png после завершения обучения
> >> from utils . utils import plot_results
> >> plot_results ()
# 如果你是用远程连接请安装配置Xming: https://blog.csdn.net/akuoma/article/details/82182913 
$ python3 detect . py - - source file . jpg # image
file . mp4 # video
. / dir # directory
0 # webcam
rtsp : // 170.93 . 143.139 / rtplive / 470011e600 ef003a004ee33696235daa # rtsp stream
http : // 112.50 . 243.8 / PLTV / 88888888 / 224 / 3221225900 / 1. m3u8 # http stream # inference /home/myuser/xujing/EfficientDet-Pytorch/dataset/test/ 文件夹下的图像
$ python3 detect . py - - source / home / myuser / xujing / EfficientDet - Pytorch / dataset / test / - - weights weights / best . pt - - conf 0.1
$ python3 detect . py - - source . / inference / images / - - weights weights / yolov5x . pt - - conf 0.5
# inference 视频
$ python3 detect . py - - source test . mp4 - - weights weights / yolov5x . pt - - conf 0.4 
Приходите сюда
Ссылка
[1] .https: //github.com/ultralytics/yolov5
[2] .https: //github.com/ultralytics/yolov5/wiki/train-custom-data
