YOLOv5实现图片内目标检测

本文涉及的产品
视觉智能开放平台,图像资源包5000点
视觉智能开放平台,分割抠图1万点
视觉智能开放平台,视频资源包5000点
简介: 本文介绍了如何配置yolov5的运行环境、如何进行数据标注、如何通过yolov5训练数据集实现图片的目标检测。目标检测在计算机视觉领域中具有重要意义,yolov5(You Only Look One-level)是目标检测算法中的一种代表性方法,以其高效性和准确性备受关注,并且在各种目标检测任务中都表现出卓越的性能。

目标检测在计算机视觉领域中具有重要意义,yolov5(You Only Look One-level)是目标检测算法中的一种代表性方法,以其高效性和准确性备受关注,并且在各种目标检测任务中都表现出卓越的性能。本文介绍了如何配置yolov5的运行环境、如何进行数据标注、如何通过yolov5训练数据集实现图片的目标检测。

一、Anaconda新建虚拟环境

虚拟环境的概念:虚拟环境是一种将项目的依赖项和运行时环境与系统中其他项目隔离开来的工具。它创建了一个独立的、虚拟的Python运行环境,使得您可以在同一系统上的不同项目中使用不同版本的Python解释器和库,而不会相互干扰。

简单来说,就是你可以在不同的虚拟环境里安装不同的python版本和包,使每个环境适用于具体的项目。

1、安装Anaconda

安装教程参考:Windows系统安装Anaconda

2、使用Anaconda新建虚拟环境

两种方式,一种是通过命令行,一种是使用Anaconda的可视化界面。

① 命令行创建:

conda create -n yolov5 python=3.9 -y#创建一个使用python版本为3.9的名为yolov5的虚拟环境

② Anaconda的可视化界面创建:

注意:这里推荐Python版本选择3.9,因为yolov5的一些包3.7版本支持不了,而3.11版本的pyhton安装yolov5的环境也有很多不兼容的地方,比如int型和float转换的地方会报错,从而导致软件闪退。


二、下载解压yolov5代码

GitHub上yolov5下载地址:https://github.com/ultralytics/yolov5

这个代码包作就是yolov5的项目文件,下载之后解压。

(我解压到了D:\Projects\PyCharm\YoLo\yolov5路径下,记住路径,后面会用到)


三、安装yolov5代码所需要的第三方库

1、激活虚拟环境

激活也可以理解为是切换,对一个虚拟环境的操作(比如安装包),需要先切换到这个环境下。

我们切换到我们刚刚创建的虚拟环境yolov5下:

conda activate yolov5  #切换到yolov5虚拟环境

可以看到我们从base环境(Anaconda自带的默认环境)切换到了yolov5环境。

2、pip安装yolov5所需要的第三方库

conda activate yolov5  #切换到yolov5虚拟环境d:
cd D:\Projects\PyCharm\YoLo\yolov5  #切换目录到yolov5的项目目录下pip install -r requirements.txt  #根据yolov5代码里的需求文件,下载安装所需要依赖包

如果没有报错则安装成功。

报错原因一般是连接超时导致的下载失败,翻或者换源,这里我更推荐前者。


四、数据标注

(注意:本教程推荐采用yolov5配套的预训练模型,不需要自行数据标注,本节仅作介绍。)

数据标注的过程通俗来讲就是給图片画框的过程,框出需要识别到的部分,然后打上标签,比如图片里有一头牛,那就把牛框起来然后命名框的标签为牛。

这里,我们使用Labelimg进行数据标注,教程参考:使用Labelimg进行数据标注


五、yolov5模型训练

1、PyCharm打开yolov5项目

新建项目,项目路径(Location)为GitHub上下载的yolov5项目路径。

2、修改虚拟环境

新建好项目之后,我们打开设置。

找到Python Interpreter,修改为我们在Anaconda自行创建的yolov5的虚拟环境。

如果下拉框里没有,我们就在Add Interpreter里新增。

3、训练测试数据

① 下载预训练模型

预训练模型地址:https://github.com/ultralytics/

选择你所需要的模型下载即可,这里我选择yolov5s.pt下载。

下载好之后放到我们yolov5的项目目录下。

② 训练数据

右键train.py,点击run运行。

运行成功后如图,训练结果保存在runs\train\exp文件夹里。

其中weights里存储两个训练出的模型,分别为best.pt和last.pt,顾名思义,best.pt为跑出来结果最好的模型。


六、模型测试

1、拷贝最优模型

模型训练完成后,我们将最优模型(best.pt)复制在yolov5文件夹下。

2、使用最优模型进行图片识别

切换虚拟环境为yolov5,切换目录为yolov5项目目录下。

python detect.py --weights best.pt --source ../cow/healthycows/
#weights是你训练好的模型路径#source是你要去图片识别的目标图片路径(填文件夹则默认识别文件夹下所有图片)

测试结果在 runs\detect\esp2\目录下。

看看识别效果:


目录
相关文章
|
7月前
|
机器学习/深度学习 开发工具 计算机视觉
YOLOv8 目标检测 | 自定义数据集
YOLOv8 目标检测 | 自定义数据集
|
机器学习/深度学习 算法 数据挖掘
目标检测算法——YOLOv3
目标检测算法——YOLOv3
368 0
目标检测算法——YOLOv3
|
算法 Go 计算机视觉
【YOLO系列】YOLOv8算法(尖端SOTA模型)
Ultralytics YOLOv8 是由 Ultralytics开发的一个前沿 SOTA 模型。它在以前 YOLO 版本的成功基础上,引入了新的功能和改进,进一步提升了性能和灵活性。YOLOv8 基于快速、准确和易于使用的理念设计,使其成为广泛的物体检测、图像分割和图像分类任务的绝佳选择。
2938 0
【YOLO系列】YOLOv8算法(尖端SOTA模型)
|
3月前
|
机器学习/深度学习 并行计算 PyTorch
图像检测【YOLOv5】——深度学习
Anaconda的安装配置:(Anaconda是一个开源的Python发行版本,包括Conda、Python以及很多安装好的工具包,比如:numpy,pandas等,其中conda是一个开源包和环境管理器,可以用于在同一个电脑上安装不同版本的软件包,并且可以在不同环境之间切换,是深度学习的必备平台。) 一.Anaconda安装配置. 1.首先进入官网:https://repo.anaconda.com,选择View All Installers. 2.打开看到的界面是Anaconda的所以安装包版本,Anaconda3就代表是Python3版本,后面跟的是发行日期,我选择了最近的2022
74 28
|
6月前
|
计算机视觉
实战|基于YOLOv10与MobileSAM实现目标检测与分割【附完整源码】
实战|基于YOLOv10与MobileSAM实现目标检测与分割【附完整源码】
|
6月前
|
机器学习/深度学习 计算机视觉 网络架构
YOLOv9这么快就来了,赶紧学起来~
YOLOv9这么快就来了,赶紧学起来~
|
7月前
|
编解码 异构计算
通过damo-YOLO训练1500*1500图片的建议:
通过damo-YOLO训练1500*1500图片的建议:
|
存储 编解码 固态存储
一文带你了解时下最新的目标检测模型——YOLOv8
Ultralytics YOLOv8: State-of-the-Art YOLO Models,作者:Sovit Rath
1609 0
|
机器学习/深度学习 人工智能 固态存储
YOLO v1详细解读
《You Only Look Once: Unifified, Real-Time Object Detection》 Joseph Redmon∗* , Santosh Divvala∗†, Ross Girshick*¶* , Ali Farhadi∗† University of Washington∗ , Allen Institute for AI*†* , Facebook AI Research*¶**
YOLO v1详细解读
|
数据挖掘 计算机视觉
目标检测:YOLOV3技术详解
目标检测:YOLOV3技术详解
257 0
目标检测:YOLOV3技术详解

相关实验场景

更多
下一篇
无影云桌面