图像检测【YOLOv5】——深度学习

简介: 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

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2022.05的Windows版本,64位,然后下载到本地。

3.运行安装包,然后跟着我下面的步骤操作就可以了。

4.要测试一下是否安装成功:

 在菜单栏中打开Anaconda命令行,点击以后,如果可以在命令行左侧括号中看到base,就代表安装成功了。

5.最后要创建和激活一下环境:

conda create -n py39 python=3.9是创建python3.9版本,名称为py39的环境。小伙伴们在这里注意一下,环境名和python的版本是可以自己指定的嗷~】    

输入y然后回车,下载完会提示done。

conda activate py39激活环境,这里可以看到前面的base变成了py39了,这表示咱已经进入了该环境可以把环境理解成文件夹)。

conda deactivate退出环境跟我们平常用cmd命令行时cd切换目录是一个道理啦~

二.Python安装Pytorch.

1.查看本机的CUDA版本:

在cmd命令行输入nvida-smi,在第一行右边可以看到CUDA的版本号,我的是11.6版本。

2.安装Pytorch:

进入Pytorch官网:https://pytorch.org/,然后选择Get Started.

这里要注意的是:Pytorch的选择,这里我选择的是Stable稳定版,OS是Windows系统,Package包就使用Conda,language选Python,最后的Compute Platform就根据小伙伴们的的个人需求啦~(就是说如果自己的电脑有显卡,想在NVIDIA上跑代码,就选择CUDA,如果没有独立显卡就选CPU喔)然后我们在第一步已经看过自己的NAVIDA的CUDA版本了,一定要选择比自己版本低的CUDA,比如我的是11.6那我就可以选11.3,如果就像我在帮我同学装的时候他的版本是11.1,那他的就只能选择10.2,11.3对他来说就有点高啦,同理大家一定一定要根据自己的情况选择嗷!

3.然后复制这行命令:打开Anaconda命令行,先进入自己需要安装的Pytorch环境,然后运行。(我这里选择的是11.3,大家如果跟我的不一样记得改下代码哦!)

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

4.可以看到安装包里的一些内容,等待这些package安装成功,Pytorch还是有点大的,要耐心等一下。(我当时吃了个午饭回来差不多刚刚好哈哈哈哈哈哈哈)

5.安装完成以后,会提示done,然后输入pip list,查看我们的包是否被安装,这里可以看到torch相关的包都安装了。

6.输入python进入Python环境,然后输入import torch,如果没有报错就说明可以导入成功,最后再输入torch.cuda.is_available()查看torch是否可以用显卡,Ture就代表可以 了。

三.克隆YOLOv5.

1.点开链接:https://github.com/ultralytics/yolov5

Windows系统下载ZIP文件再解压后进入YOLOv5路径下运行:

pip install -r requirements.txt

(注意一下:这里Pytorch最好在前面已经安装完好,不然很可能会报错喔~)

2.检验一下,运行命令:

python detect.py --source ./data/images/ --weights yolov5s.pt --conf 0.4

如果是第一次运行,会下载YOLOv5s.pt,速度会比较慢。

————————————————————————————————————————————————————【华丽的分割线哈哈哈哈哈哈哈哈哈哈哈哈】

以上的部分呢,就是基本环境的安装和配置方法啦!接下来,就是数据集的制作了:

四.数据集制作.

我用的数据集收集软件是labellmg,它可以生成两种格式的数据,分别是xml和txt,大家根据自己的需要选择啦!界面是这样的:

可以看到打开是一个收集窗口和一个终端,两个界面。

如果选择左侧靠下方那里的按键,VOC最后生成的就是xml格式的,点击一下如果选择YOLO的生成就是txt格式的喔~。

大家用自己需要识别训练的图片进行框选数据集收集就可以啦!

相关文章
|
17天前
|
机器学习/深度学习 TensorFlow 算法框架/工具
深度学习中的图像风格迁移
【9月更文挑战第26天】本文将探讨如何利用深度学习技术,实现图像风格的转换。我们将从基础的理论出发,然后逐步深入到具体的实现过程,最后通过代码实例来展示这一技术的实际应用。无论你是初学者还是有经验的开发者,都能在这篇文章中找到有价值的信息。让我们一起探索深度学习的奥秘吧!
|
2月前
|
机器学习/深度学习 监控 TensorFlow
使用Python实现深度学习模型:智能农业病虫害检测与防治
使用Python实现深度学习模型:智能农业病虫害检测与防治
207 65
|
2天前
|
机器学习/深度学习 人工智能 TensorFlow
利用深度学习实现图像风格迁移
【8月更文挑战第73天】本文通过深入浅出的方式,介绍了一种使用深度学习技术进行图像风格迁移的方法。我们将探讨如何将一张普通照片转化为具有著名画作风格的艺术作品。文章不仅解释了背后的技术原理,还提供了一个实际的代码示例,帮助读者理解如何实现这一过程。
|
16天前
|
机器学习/深度学习 数据采集 网络安全
使用Python实现深度学习模型:智能网络安全威胁检测
使用Python实现深度学习模型:智能网络安全威胁检测
68 5
|
22天前
|
机器学习/深度学习 算法 搜索推荐
利用深度学习实现图像风格迁移
【9月更文挑战第21天】本文将介绍一种使用深度学习技术,特别是卷积神经网络(CNN)和生成对抗网络(GAN)来实现图像风格迁移的方法。我们将探索如何将这些技术应用于艺术创作,以及它们如何影响现代视觉艺术的发展。
|
1月前
|
机器学习/深度学习 自然语言处理 计算机视觉
深度学习之文本引导的图像编辑
基于深度学习的文本引导的图像编辑(Text-Guided Image Editing)是一种通过自然语言文本指令对图像进行编辑或修改的技术。
44 8
|
4天前
|
机器学习/深度学习 PyTorch API
深度学习入门:卷积神经网络 | CNN概述,图像基础知识,卷积层,池化层(超详解!!!)
深度学习入门:卷积神经网络 | CNN概述,图像基础知识,卷积层,池化层(超详解!!!)
|
1月前
|
机器学习/深度学习 自然语言处理 并行计算
深度学习之图像描述生成
基于深度学习的图像描述生成(Image Captioning)是一种将计算机视觉与自然语言处理结合的任务,其目标是通过自动生成自然语言来描述输入的图像。该技术能够理解图像中的视觉内容,并生成相应的文本描述,广泛应用于视觉问答、辅助盲人、自动视频字幕生成等领域。
60 7
|
29天前
|
机器学习/深度学习 计算机视觉
深度学习之农作物病害检测
基于深度学习的农作物病害检测利用卷积神经网络(CNN)、生成对抗网络(GAN)、Transformer等深度学习技术,自动识别和分类农作物的病害,帮助农业工作者提高作物管理效率、减少损失。
46 3
|
1月前
|
机器学习/深度学习 传感器 监控
红外小目标检测:基于深度学习
本文介绍了红外小目标检测技术的优势、基本原理及常用方法,包括背景抑制、滤波、模型和深度学习等,并探讨了多传感器融合的应用。通过一个基于深度学习的实战案例,展示了从数据准备到模型训练的全过程。最后,文章展望了该技术在军事、安防、交通等领域的广泛应用及未来发展趋势。