YOLOv5零基础学习日记1

参考：http://t.csdnimg.cn/ygYAO

Labelme的安装和使用 - 知乎

1.准备数据集

1.下载数据集

15个目标检测开源数据集汇总 - 知乎

我在http://m6z.cn/6fzmQf 下载了一些行人交互的图片素材

2.下载一个图片标记工具

看的教程里用的labelImg，我画框的时候总是闪退，用了网上的方法也没用

后面下载了labelme来替代

3.labelme的安装

搜索框输入Anaconda Prompt

pip install labelme

然后在弹出的终端输入上面这个代码安装，回车按一下

（这是windows版本）

4.labelme的使用

在Anaconda Prompt中输入labelme就可以启用了

打开就是这样子（在底部栏是jupyter的标）

然后选择“打开目录”，选择数据集文件夹

点击左上角--编辑--创建矩形    就可以开始创建区块

同一类的物体就同一个标签名

框选完一副就点save然后下一幅   重复这个操作

（应该有简便的方法？

然后它会为每个图片生成一个json文件

5.解析标注信息

对于每张图片的标注，提取出每张图片大小以及每个标注框的类别和位置信息

打开jupyter

import json
import os

json_dir = '存放json文件的路径'
output_dir = '保存输出文件的目录' 

# 遍历目录下所有 JSON 文件
for file_name in os.listdir(json_dir):
    if file_name.endswith('.json'):
        json_file = os.path.join(json_dir, file_name)
        
        # 读取 JSON 文件
        with open(json_file, 'r') as f:
            data = json.load(f)
        
        # 创建对应的输出文件名
        output_file = os.path.join(output_dir, os.path.splitext(file_name)[0] + '.txt')
        
        # 处理每个标注信息并保存到对应的输出文件中
        with open(output_file, 'w') as f_out:
            for annotation in data['shapes']:
                label = annotation['label']  # 标注的类别
                points = annotation['points']  # 标注框的位置信息
                x1, y1 = points[0]  # 左上角坐标
                x2, y2 = points[1]  # 右下角坐标
                
                # 将处理后的信息写入输出文件
                f_out.write(f"标签: {label}, 位置信息: ({x1}, {y1}), ({x2}, {y2})\n")

运行之后会生成一个文件夹，里面有每个图片的txt文件

每个txt中有label的位置信息(我这的标签5是人)

2.下载 YOLOv5 代码

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

压缩包下载完之后解压

3.配置环境

我们需要Python 3.x、PyTorch、torchvision 和其他必需的依赖项。

按照 YOLOv5 项目中的说明来配置环境。

先进入yolov5文件夹

然后右键-在终端中打开

输入

activate yolo

再输入

pip install -r requirements.txt

就安装好了需要的依赖。

4.目标检测

1.下载预训练的权重文件

Releases · ultralytics/yolov5 · GitHub

选择.pt结尾的下载

版本有很多，比如 yolov5s.pt、yolov5m.pt、yolov5l.pt 和 yolov5x.pt 等。

• 如果你希望在保持较高检测速度的同时拥有较小的模型尺寸，可以选择 yolov5s.pt。
• 如果你需要更好的检测精度和对小物体的识别能力，可以选择 yolov5m.pt。
• 如果你处理的是复杂场景或大尺寸物体，可以考虑选择 yolov5l.pt 或 yolov5x.pt，这些模型通常具有更好的性能和泛化能力。

你可以根据你的具体需求选择合适的版本。如果不确定哪个版本最适合你的任务，可以先尝试使用 yolov5s.pt 这个较小的版本，然后根据实际效果再决定是否需要升级到更大的模型。

建议下载到yolov5文件夹中 

2.单张图片目标检测

进入yolov5文件夹，右键进入终端

python detect.py --source test.jpg --weights yolov5s.pt --conf 0.5 --iou 0.4

source后面是图片名称  

weights后面是权重文件的路径（如果放在yolov5文件中就不用写路径）

conf置信度阈值设为 0.5

iou重叠度阈值设为 0.4

3.批量目标检测

source后面改成图片路径就行，例如：

python detect.py --source C:/Users/lenovo/Desktop/people/image --weights yolov5s.pt --img-size 640 --conf 0.5

--img-size 参数指定了输入图像的尺寸

4.查看检测结果

打开yolov5\runs\detect\exp

就可以看到代码检测的成果了

5.模型训练

有空再更新，嘿嘿！

教程：