环境搭建：

安装驱动

点击鼠标右键，如果出现NVIDIA图标，点开，出现如下图片

我的显卡是1650，根据显卡的型号去官网找相应的驱动下载就好了。驱动官网

安装好之后，打开命令行cmd，输入如下指令：

nvidia-smi

显示出如下数据即为安装成功。

安装anaconda

进入官网，下载windows版本，将程序放在c盘以外，防止c盘爆红，接下来傻瓜式点击安装即可。

安装Pytorch

打开侧边栏，找到anaconda文件夹下面的prompt控制台

可以使用如下命令去看系统有哪些环境

conda env list

我的环境是这样的

其中pytorch1是我之前安装的环境，这里我们新创建一个环境pytorch,创建过程中一直输入y就好了。

conda create -n pytorch python=3.8

激活这个环境：

conda activate pytorch

为了提高安装速度，给环境换源：

1. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
2. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
3. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
4. conda config --set show_channel_urls yes

安装pytorch，我的显卡支持11.6的版本，你们可以查自己的显卡支持的版本

conda install pytorch torchvision torchaudio pytorch-cuda=11.6

数据集准备:

使用labelimg标注数据集，将数据集按照这样的目录结构存放

Annotations里面存放着xml格式的标签文件

JPEGImages里面存放着照片数据文件

数据集划分代码如下，放在VOCdevkit同一级目录下就可以运行。

classes = ["plane"]是因为数据集标注时的我打的标签是plane,所以要识别一下。

1. import xml.etree.ElementTree as ET
2. import pickle
3. import os
4. from os import listdir, getcwd
5. from os.path import join
6. import random
7. from shutil import copyfile
8. 
9. classes = ["plane"]
10. # classes=["ball"]
11. 
12. TRAIN_RATIO = 80
13. 
14. 
15. def clear_hidden_files(path):
16.     dir_list = os.listdir(path)
17. for i in dir_list:
18.         abspath = os.path.join(os.path.abspath(path), i)
19. if os.path.isfile(abspath):
20. if i.startswith("._"):
21.                 os.remove(abspath)
22. else:
23.             clear_hidden_files(abspath)
24. 
25. 
26. def convert(size, box):
27.     dw = 1. / size[0]
28.     dh = 1. / size[1]
29.     x = (box[0] + box[1]) / 2.0
30.     y = (box[2] + box[3]) / 2.0
31.     w = box[1] - box[0]
32.     h = box[3] - box[2]
33.     x = x * dw
34.     w = w * dw
35.     y = y * dh
36.     h = h * dh
37. return (x, y, w, h)
38. 
39. 
40. def convert_annotation(image_id):
41.     in_file = open('VOCdevkit/VOC2007/Annotations/%s.xml' % image_id)
42.     out_file = open('VOCdevkit/VOC2007/YOLOLabels/%s.txt' % image_id, 'w')
43.     tree = ET.parse(in_file)
44.     root = tree.getroot()
45.     size = root.find('size')
46.     w = int(size.find('width').text)
47.     h = int(size.find('height').text)
48. 
49. for obj in root.iter('object'):
50.         difficult = obj.find('difficult').text
51.         cls = obj.find('name').text
52. if cls not in classes or int(difficult) == 1:
53. continue
54.         cls_id = classes.index(cls)
55.         xmlbox = obj.find('bndbox')
56.         b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
57. float(xmlbox.find('ymax').text))
58.         bb = convert((w, h), b)
59.         out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
60.     in_file.close()
61.     out_file.close()
62. 
63. 
64. wd = os.getcwd()
65. wd = os.getcwd()
66. data_base_dir = os.path.join(wd, "VOCdevkit/")
67. if not os.path.isdir(data_base_dir):
68.     os.mkdir(data_base_dir)
69. work_sapce_dir = os.path.join(data_base_dir, "VOC2007/")
70. if not os.path.isdir(work_sapce_dir):
71.     os.mkdir(work_sapce_dir)
72. annotation_dir = os.path.join(work_sapce_dir, "Annotations/")
73. if not os.path.isdir(annotation_dir):
74.     os.mkdir(annotation_dir)
75. clear_hidden_files(annotation_dir)
76. image_dir = os.path.join(work_sapce_dir, "JPEGImages/")
77. if not os.path.isdir(image_dir):
78.     os.mkdir(image_dir)
79. clear_hidden_files(image_dir)
80. yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/")
81. if not os.path.isdir(yolo_labels_dir):
82.     os.mkdir(yolo_labels_dir)
83. clear_hidden_files(yolo_labels_dir)
84. yolov5_images_dir = os.path.join(data_base_dir, "images/")
85. if not os.path.isdir(yolov5_images_dir):
86.     os.mkdir(yolov5_images_dir)
87. clear_hidden_files(yolov5_images_dir)
88. yolov5_labels_dir = os.path.join(data_base_dir, "labels/")
89. if not os.path.isdir(yolov5_labels_dir):
90.     os.mkdir(yolov5_labels_dir)
91. clear_hidden_files(yolov5_labels_dir)
92. yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/")
93. if not os.path.isdir(yolov5_images_train_dir):
94.     os.mkdir(yolov5_images_train_dir)
95. clear_hidden_files(yolov5_images_train_dir)
96. yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/")
97. if not os.path.isdir(yolov5_images_test_dir):
98.     os.mkdir(yolov5_images_test_dir)
99. clear_hidden_files(yolov5_images_test_dir)
100. yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/")
101. if not os.path.isdir(yolov5_labels_train_dir):
102.     os.mkdir(yolov5_labels_train_dir)
103. clear_hidden_files(yolov5_labels_train_dir)
104. yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/")
105. if not os.path.isdir(yolov5_labels_test_dir):
106.     os.mkdir(yolov5_labels_test_dir)
107. clear_hidden_files(yolov5_labels_test_dir)
108. 
109. train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w')
110. test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w')
111. train_file.close()
112. test_file.close()
113. train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a')
114. test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a')
115. list_imgs = os.listdir(image_dir)  # list image files
116. prob = random.randint(1, 100)
117. print("Probability: %d" % prob)
118. for i in range(0, len(list_imgs)):
119.     path = os.path.join(image_dir, list_imgs[i])
120. if os.path.isfile(path):
121.         image_path = image_dir + list_imgs[i]
122.         voc_path = list_imgs[i]
123.         (nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))
124.         (voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))
125.         annotation_name = nameWithoutExtention + '.xml'
126.         annotation_path = os.path.join(annotation_dir, annotation_name)
127.         label_name = nameWithoutExtention + '.txt'
128.         label_path = os.path.join(yolo_labels_dir, label_name)
129.     prob = random.randint(1, 100)
130. print("Probability: %d" % prob)
131. if (prob < TRAIN_RATIO):  # train dataset
132. if os.path.exists(annotation_path):
133.             train_file.write(image_path + '\n')
134.             convert_annotation(nameWithoutExtention)  # convert label
135.             copyfile(image_path, yolov5_images_train_dir + voc_path)
136.             copyfile(label_path, yolov5_labels_train_dir + label_name)
137. else:  # test dataset
138. if os.path.exists(annotation_path):
139.             test_file.write(image_path + '\n')
140.             convert_annotation(nameWithoutExtention)  # convert label
141.             copyfile(image_path, yolov5_images_test_dir + voc_path)
142.             copyfile(label_path, yolov5_labels_test_dir + label_name)
143. train_file.close()
144. test_file.close()

运行后多生成了两个文件夹，如下：

至此，我们就得到了想要的数据集

训练模型

下载yolo5源码：

地址

导入数据

将VOCdevkit文件夹放入目录

安装环境依赖：

pip install -r requirements.txt

确定训练权重

yolov5的5.0版本给我们提供了几个预训练权重，我们可以对应我们不同的需求选择不同的版本的预训练权重。预训练权重可以通过这个网址进行下载，本次训练自己的数据集用的预训练权重为yolov5s.pt。

修改参数

预训练模型和数据集都准备好了，就可以开始训练自己的yolov5目标检测模型了，训练目标检测模型需要修改两个yaml文件中的参数。一个是data目录下的相应的yaml文件，一个是model目录文件下的相应的yaml文件。

一：

修改data目录下的相应的yaml文件。找到目录下的voc.yaml文件，将该文件复制一份，将复制的文件重命名，最好和项目相关。我这里修改为plane.yaml。该项目是对无人机的识别。

里面的内容改成这样：

1. # PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC/
2. # Train command: python train.py --data voc.yaml
3. # Default dataset location is next to /yolov5:
4. #   /parent_folder
5. #     /VOC
6. #     /yolov5
7. 
8. 
9. # download command/URL (optional)
10. #download: bash data/scripts/get_voc.sh
11. 
12. # train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
13. train: VOCdevkit/images/train  # 16551 images
14. val: VOCdevkit/images/val  # 4952 images
15. 
16. # number of classes
17. nc: 1
18. 
19. # class names
20. names: [ 'plane']

二：

修改models目录下的相应的yaml文件。找到目录下的yolov5s.yaml文件，将该文件复制一份，将复制的文件重命名。我这里修改为yolov5s_plane.yaml。

将这里的识别对象改为1即可：

然后找到train.py文件，改这三个地方，改成我们刚才下载和修改的文件

1.     parser.add_argument('--weights', type=str, default='weights/yolov5x.pt', help='initial weights path')
2.     parser.add_argument('--cfg', type=str, default='models/yolov5s_plane.yaml', help='model.yaml path')
3.     parser.add_argument('--data', type=str, default='data/plane.yaml', help='data.yaml path')

以上我们把参数就都配置好了，运行的话可能会提示我们虚拟内存不够，这时我们需要修改这个地方。

把这个参数改成0

然后就可以开始训练了，训练结束后会生成一个run文件夹

应用模型：

找到run文件夹下面的best.pt文件，他通常在train文件夹下面的最后一个exp下面。

打开detect.py文件，修改这一出为我们训练好的文件

这个地方设置为0，就是调用电脑摄像头

我们这里在手机上下载一款应用，DroidCam,与电脑连接统一局域网，移动端显示如下：

我们修改detect.py中的配置

这样就连上了手机摄像头

连接数据库

我们先引入数据库的用户名，密码等配置

1. import pymysql
2. 
3. 
4. 
5. id = 5
6. def insert_sql():
7. # 建立连接
8.     conn = pymysql.connect(
9.         host="localhost",
10. # host="192.168.1.112",
11.         user="root",  # 用户名
12.         passwd="password111",  # 用户密码
13.         db="检测小车")  # 数据库名
14. 
15. global id
16. # 创建游标，默认是元组型
17.     cursor = conn.cursor()
18. # sql = "select * from t_plane"#数据库中表的名
19.     sql = '''INSERT INTO t_plane(id,x,y) VALUES(num,7,2);'''  # 数据库中表的名
20.     sql = sql.replace("num", str(id))
21.     cursor.execute(sql)
22.     conn.commit()
23. id += 1
24.     cursor.close()
25.     conn.close()

id为5，是因为我的数据id设置为自增的，现在有四条，所以id就暂时设置成5。

在程序中检测到物品都会给予一个评分，我们设置判断条件，但评分>0.9时,向数据库插入数据，意味着发现了目标

项目地址：

init_unmaned_planesystem: 无人机识别模型初始版

yolo5 训练无人人机识别系统

环境搭建：

安装驱动

安装anaconda

安装Pytorch

数据集准备:

训练模型

下载yolo5源码：

导入数据

安装环境依赖：

确定训练权重

修改参数

应用模型：

连接数据库

项目地址：

热门文章

最新文章

相关电子书

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

活动广场

任务中心

训练营

直播

乘风者计划

下载

镜像站

技术资料

yolo5 训练无人人机识别系统

环境搭建：

安装驱动

安装anaconda

安装Pytorch

数据集准备:

训练模型

下载yolo5源码：

导入数据

安装环境依赖：

确定训练权重

修改参数

应用模型：

连接数据库

项目地址：

热门文章

最新文章

相关电子书