模型部署
安裝
- 保證
CUDA和pytorch安裝好的基礎上，將YOLOv5的源碼拷到本地。
$ git clone https://github.com/ultralytics/yolov5.git
- 在
Anaconda的shell里面，安裝官方給好的配置文件requirements.txt。
$ pip install -U -r requirements.txt
在下載好的
YOLOv5源碼的目錄下執行。
報錯處理
- 其實
requirements.txt文件主要是對以下內容進行安裝，如果某一步報錯，針對問題切換方法即可。
bmatplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
pycocotools>=2.0
thop
pycocotools安裝時容易出問題，建議提前在VS里面把SDK類東西裝好。
模型訓練
- 找到對應數據集之后，使用標簽工具打上標簽，得到
XML文件。 - 由於
YOLOv5只能訓練格式為{seq、x_center/image_width、y_center/image_height、width/image_width、height/image_height}的.txt文件，於是編寫python腳本將XML文件轉為.txt。
import xml.dom.minidom as xmldom
import os
def data2txt(d1,d2,d3,d4,file_name):
fd = open(file_name+'.txt','w')
fd.write('0 '+str(d1)+' '+str(d2)+' '+str(d3)+' '+str(d4))
fd.close
def xml2data(file_name):
ele = xmldom.parse(os.path.abspath(file_name)).documentElement
size = ele.getElementsByTagName("size")
image_width = int(size[0].getElementsByTagName("width")[0].firstChild.data)
image_height = int(size[0].getElementsByTagName("height")[0].firstChild.data)
bndbox = ele.getElementsByTagName("bndbox")
xmin = int(bndbox[0].getElementsByTagName("xmin")[0].firstChild.data)
ymin = int(bndbox[0].getElementsByTagName("ymin")[0].firstChild.data)
xmax = int(bndbox[0].getElementsByTagName("xmax")[0].firstChild.data)
ymax = int(bndbox[0].getElementsByTagName("ymax")[0].firstChild.data)
xcenter = (xmax + xmin)/2
ycenter = (ymax + ymin)/2
width = abs(xmax-xmin)
height = abs(ymax-ymin)
data2txt(xcenter/image_width,ycenter/image_height,width/image_width,height/image_height,file_name[:-4])
if __name__ == "__main__":
for i in range(1,465):
file_name = str(i)+'.xml'
addlen = 10-len(file_name)
for j in range(addlen):
file_name = '0'+file_name
xml2data(file_name)
- 使用
train.py對整理好的數據集進行訓練。
$ python train.py --img 640 --batch 16 --cfg ./models/yolov5s.yaml --weights ''
訓練好的數據集權重會放在
./runs/train/exp/weights。
- 對
train.py進行參數解析：
| 參數 | 作用 |
|---|---|
| epochs | 數據集被迭代的次數 |
| batch | 每次權重更新所需分析的圖片數 |
| hyp | 超參數配置文件 |
| cfg | 存儲模型結構的配置文件 |
| data | 數據集的配置文件 |
| img | 輸入圖片寬高 |
| rect | 矩形訓練 |
| resume | 恢復最近保存的模型訓練 |
| nosave | 僅保存最后的checkpoint |
| notest | 僅測試最后的epoch |
| evolve | 進化超參數 |
| bucket | gsutil bucket |
| cache-images | 緩存圖像（加快訓練速度） |
| weights | 權重文件 |
| name | 重命名 |
| device | 設備 |
| adam | 使用adam優化 |
| multi-scale | 多尺度訓練 |
| single-cls | 單類別訓練集 |
加粗的參數對計算機的性能有要求，可以根據實際情況調整。
其中
epochs一般選擇50~200，太小欠擬合，太大過擬合。
模型使用
- 圖片
$ python detect.py --source {image_file}
- 視頻流
$ python detect.py --source {stream_url}
- 使用自己訓練的數據集權重時，需要修改參數：
$ python detect.py --weights {pt_path}