yolov5 part2

two-stage （两阶段）：Faster-rcnn Mask-Rcnn系列
one-stage （单阶段）：YOLO系列

最核心的优势：速度非常快，适合实时监测任务。但是缺点也有，效果可能不好

速度较慢在2018年是

Mask R-CNN的原始实现能够在配备NVIDIA Tesla M40 GPU的5fps，但是效果很好，非常实用的通用框架maskrcnn

part1已经给出了这个

 yolov1

这个思路很简单就是设定两个参数 h和w 然后得到一个预测框 计算和真实框的差别，再根据差别更新h和w，把你事先标好框的图片数据给yolo训练，yolo输出层会输出框来拟合标好的框，就是拟合与事先的框的偏移量，比如你最后特征图是13*13然后就每个像素生成三个框来拟合你真实的框

YOLO V1目标检测，看我就够了，看看b站【精读AI论文】YOLO V1目标检测，看我就够了_哔哩哔哩_bilibili

是针对每一个点都有两个候选框，根据IOU选择完候选框之后，通过置信度看其能不能算为一个物体，训练用的数据集一般是人工打上去的标签

发现网上yolov5视频主要是讲解原理，不讲解实战甚至安装

在github下载yolov5.zip，在prompt输入(base) C:\Users\eve>pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121，下载pytorch，

在一个单独的环境中，能使用pip就尽量使用pip，实在有问题的情况，再使用conda进行安装，不要来回混淆
·CUDA是否必须安装
·如果只需要训练、简单推理，则无需单独安装CUDA，直接在官网搜索对应的版本，通过pip安装即可
·如果需要编译、部署等，那么还是需要单独安装CUDA的，这部分大家可以自行百度

关键参数

• ·weights：训练好的模型文件
• ·source：检测的目标，可以是单张图片、文件夹、屏幕或者摄像头等
• ·conf—thres：置信度阈值，越低框越多，越高框越少
• ·iou—thres：IOU阈值，越低框越少，越少框越多

可以看到yolov5n是最小的，只要1.9M，速度也最快

输入python detect.py --weights yolov5s.pt即可检测那两个预定图片

 python detect.py --weight yolov5s.pt -- source data /images/bus.jpg，这是对具体照片的检测

  python detect.py --weight yolov5s.pt -- source screen，这是对电脑屏幕实时监测，持续循环，按ctrl+c即可暂停

还有其他方法，对应640*640图片尺寸变化

基于web的检测

基于torch.hub的检测方法，我们在jupyterlab

import torch
#Model
model = torch.hub.load("./","yolov5s", source="local")#即为加载本地的模型 # Images
img ="./data/images/zidane.jpg" #Inference
results=model(img)#Results
results.show() 

数据集

import cv2
import matplotlib.pyplot as plt   
#打开视频文件
video =cv2.videoCapture("./BVN.mp4") 
#读取一帧
ret, frame video. read()
plt.imshow(frame)#因为要在notebook里面显示图片，而不是弹出窗口plt.imshow(cv2.cvtColor(frame,cv2.COLOR_BGR@RGB))结合后循环30fps一抽video =  cv2.Videocapture("./BVN.mp4") 
num =0  #计数器 
save step=30#同隔帧 
while True:ret, frame=video.read()if not ret:break num+=1   if num%save_step == 0cv2.imwrite("./images/" +str (num) + ".jpg", frame)这里没有用OpenCV进行读取显示，单纯的打开图片 

通过pip install labelimg下载标注工具，在prompt直接输入labelimg就打开了

这个框文件夹是把标注结果放在哪里，创建即可，把左边pasvoc的文件格式换成yolov5并且save，记得打开auto save自动保存

右键create box即可标注

模型训练

新建如下文件夹，把数据放入即可

what‘s your mission in shanghai！？

记住classes不要放

数据描述文件 ，修改train.py的439行

通常会出现一些问题，只好问ai了