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
|
9天前
|
机器学习/深度学习 传感器 数据采集
深度学习在故障检测中的应用:从理论到实践
深度学习在故障检测中的应用:从理论到实践
49 5
|
2月前
|
机器学习/深度学习 TensorFlow 算法框架/工具
使用Python实现深度学习模型:智能质量检测与控制
使用Python实现深度学习模型:智能质量检测与控制 【10月更文挑战第8天】
236 62
使用Python实现深度学习模型:智能质量检测与控制
|
1月前
|
机器学习/深度学习 编解码 算法
什么是超分辨率?浅谈一下基于深度学习的图像超分辨率技术
超分辨率技术旨在提升图像或视频的清晰度,通过增加单位长度内的采样点数量来提高空间分辨率。基于深度学习的方法,如SRCNN、VDSR、SRResNet等,通过卷积神经网络和残差学习等技术,显著提升了图像重建的质量。此外,基于参考图像的超分辨率技术通过利用高分辨率参考图像,进一步提高了重建图像的真实感和细节。
|
1月前
|
机器学习/深度学习 PyTorch TensorFlow
使用Python实现智能食品质量检测的深度学习模型
使用Python实现智能食品质量检测的深度学习模型
108 1
|
1月前
|
机器学习/深度学习 搜索推荐 安全
深度学习之社交网络中的社区检测
在社交网络分析中,社区检测是一项核心任务,旨在将网络中的节点(用户)划分为具有高内部连接密度且相对独立的子群。基于深度学习的社区检测方法,通过捕获复杂的网络结构信息和节点特征,在传统方法基础上实现了更准确、更具鲁棒性的社区划分。
68 7
|
25天前
|
机器学习/深度学习 传感器 算法
行人闯红灯检测:基于计算机视觉与深度学习的智能交通解决方案
随着智能交通系统的发展,传统的人工交通违法判断已难以满足需求。本文介绍了一种基于计算机视觉与深度学习的行人闯红灯自动检测系统,涵盖信号灯状态检测、行人检测与跟踪、行为分析及违规判定与报警四大模块,旨在提升交通管理效率与安全性。
|
1月前
|
机器学习/深度学习 人工智能 自动驾驶
深度学习的奇迹:如何用神经网络识别图像
【10月更文挑战第33天】在这篇文章中,我们将探索深度学习的奇妙世界,特别是卷积神经网络(CNN)在图像识别中的应用。我们将通过一个简单的代码示例,展示如何使用Python和Keras库构建一个能够识别手写数字的神经网络。这不仅是对深度学习概念的直观介绍,也是对技术实践的一次尝试。让我们一起踏上这段探索之旅,看看数据、模型和代码是如何交织在一起,创造出令人惊叹的结果。
31 0
|
2月前
|
机器学习/深度学习 运维 监控
深度学习之异常检测
基于深度学习的异常检测是一项重要的研究领域,主要用于识别数据中的异常样本或行为。异常检测广泛应用于多个领域,如网络安全、金融欺诈检测、工业设备预测性维护、医疗诊断等。
158 2
|
2月前
|
机器学习/深度学习 传感器 数据采集
深度学习之设备异常检测与预测性维护
基于深度学习的设备异常检测与预测性维护是一项利用深度学习技术分析设备运行数据,实时检测设备运行过程中的异常情况,并预测未来可能的故障,以便提前进行维护,防止意外停机和生产中断。
90 1
|
2月前
|
机器学习/深度学习 自然语言处理 监控
深度学习之声音事件检测
基于深度学习的声音事件检测(Sound Event Detection, SED)是指从音频数据中检测并识别出特定的声音事件(如玻璃破碎、狗叫声、警报声等)。这种技术被广泛应用于智能家居、城市监控、医疗监护等领域,随着深度学习的进步,其性能和准确性得到了显著提升。
115 0