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
|
10月前
|
机器学习/深度学习 算法 定位技术
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现裂缝的检测识别(C#代码UI界面版)
本项目基于YOLOv8模型与C#界面,结合Baumer工业相机,实现裂缝的高效检测识别。支持图像、视频及摄像头输入,具备高精度与实时性,适用于桥梁、路面、隧道等多种工业场景。
1218 27
|
9月前
|
机器学习/深度学习 人工智能 监控
河道塑料瓶识别标准数据集 | 科研与项目必备(图片已划分、已标注)| 适用于YOLO系列深度学习分类检测任务【数据集分享】
随着城市化进程加快和塑料制品使用量增加,河道中的塑料垃圾问题日益严重。塑料瓶作为河道漂浮垃圾的主要类型,不仅破坏水体景观,还威胁水生生态系统的健康。传统的人工巡查方式效率低、成本高,难以满足实时监控与治理的需求。
|
9月前
|
机器学习/深度学习 传感器 人工智能
火灾火焰识别数据集(2200张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
在人工智能和计算机视觉的快速发展中,火灾检测与火焰识别逐渐成为智慧城市、公共安全和智能监控的重要研究方向。一个高质量的数据集往往是推动相关研究的核心基础。本文将详细介绍一个火灾火焰识别数据集,该数据集共包含 2200 张图片,并已按照 训练集(train)、验证集(val)、测试集(test) 划分,同时配有对应的标注文件,方便研究者快速上手模型训练与评估。
3367 10
火灾火焰识别数据集(2200张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
|
9月前
|
机器学习/深度学习 人工智能 监控
坐姿标准好坏姿态数据集(图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
坐姿标准好坏姿态数据集的发布,填补了计算机视觉领域在“细分健康行为识别”上的空白。它不仅具有研究价值,更在实际应用层面具备广阔前景。从青少年的健康教育,到办公室的智能提醒,再到驾驶员的安全监控和康复训练,本数据集都能发挥巨大的作用。
坐姿标准好坏姿态数据集(图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
|
9月前
|
机器学习/深度学习 数据采集 算法
PCB电路板缺陷检测数据集(近千张图片已划分、已标注)| 适用于YOLO系列深度学习检测任务【数据集分享】
在现代电子制造中,印刷电路板(PCB)是几乎所有电子设备的核心组成部分。随着PCB设计复杂度不断增加,人工检测PCB缺陷不仅效率低,而且容易漏检或误判。因此,利用计算机视觉和深度学习技术对PCB缺陷进行自动检测成为行业发展的必然趋势。
PCB电路板缺陷检测数据集(近千张图片已划分、已标注)| 适用于YOLO系列深度学习检测任务【数据集分享】
|
9月前
|
机器学习/深度学习 编解码 人工智能
102类农业害虫数据集(20000张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
在现代农业发展中,病虫害监测与防治 始终是保障粮食安全和提高农作物产量的关键环节。传统的害虫识别主要依赖人工观察与统计,不仅效率低下,而且容易受到主观经验、环境条件等因素的影响,导致识别准确率不足。
|
机器学习/深度学习 人工智能 监控
单车、共享单车已标注数据集(图片已划分、已标注)|适用于深度学习检测任务【数据集分享】
数据是人工智能的“燃料”。一个高质量、标注精准的单车与共享单车数据集,不仅能够推动学术研究的进步,还能为智慧交通、智慧城市的建设提供有力支撑。 在计算机视觉领域,研究者们常常会遇到“数据鸿沟”问题:公开数据集与真实业务需求之间存在不匹配。本次分享的数据集正是为了弥补这一不足,使得研究人员与工程师能够快速切入单车检测领域,加速模型从实验室走向真实应用场景。
|
9月前
|
机器学习/深度学习 自动驾驶 算法
道路表面缺陷数据集(裂缝/井盖/坑洼)(6000张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
随着城市化与交通运输业的快速发展,道路基础设施的健康状况直接关系到出行安全与城市运行效率。长期高强度的使用、气候变化以及施工质量差异,都会导致道路表面出现裂缝、坑洼、井盖下沉及修补不良等缺陷。这些问题不仅影响驾驶舒适度,还可能引发交通事故,增加道路养护成本。
道路表面缺陷数据集(裂缝/井盖/坑洼)(6000张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
|
10月前
|
机器学习/深度学习 存储 监控
基于深度学习YOLO框架的城市道路损伤检测与评估项目系统【附完整源码+数据集】
本项目基于深度学习的YOLO框架,成功实现了城市道路损伤的自动检测与评估。通过YOLOv8模型,我们能够高效地识别和分类路面裂缝、井盖移位、坑洼路面等常见的道路损伤类型。系统的核心优势在于其高效性和实时性,能够实时监控城市道路,自动标注损伤类型,并生成损伤评估报告。
572 0
基于深度学习YOLO框架的城市道路损伤检测与评估项目系统【附完整源码+数据集】
|
机器学习/深度学习 人工智能 编解码
AI虫子种类识别数据集(近3000张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
本数据集包含近3000张已划分、标注的虫子图像,适用于YOLO系列模型的目标检测与分类任务。涵盖7类常见虫子,标注采用YOLO格式,结构清晰,适合农业智能化、小样本学习及边缘部署研究。数据来源多样,标注精准,助力AI虫害识别落地应用。

热门文章

最新文章