【基于web】利用深度学习实现病残树叶检测

一、前言

        前言即叠个甲，本人学术不精，仅了解简单的python的基础以及少许深度学习内容，这次实验任务为学校发布，实现方法多为查询使用，并非原理介绍搞懂。

二、具体实现

        目标是利用深度学习实现病残树叶检测，需要框出标注，要求速度较快精度较高，故选取YOLO进行实现，因以前尝试过YOLOv5,本次实验也仍采用yolov5进行实验。

        实验的大概流程即为：

        1）.数据处理：

                将压缩包里的图片进行数据清洗，筛掉特征不明显图片，划分训练集验证集，使用  labelimg进行数据标注；

        2）.参数训练：

                使用yolov5进行数据训练，得到一个效果较好的参数文件；

        3）.web实现：

                通过flask搭建web网页，可以使用pc端以及移动端访问网页进行目标检测，对于前端页 面要求能用就行，后端可以调用yolo进行检测即可。

1.数据处理

        本次数据集为学校发布，包含五十张左右的树叶图片。对图片使用Labelimg进行yolo数据集的标注，每张图标注完成后以txt格式存储其框选数据。

2.数据训练

        yolov5直接在github上下载得到。github.comhttps://github.com/ultralytics/yolov5

        首先下载requirements.txt上需要的包；

        之后打开其中的data，新建一个yaml文件用于训练，（sickleave.yaml）其中的具体代码如下：

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: *****Desktop\sickleave  # dataset root dir
train: images/train  # train images (relative to 'path')
val: images/val  # val images (relative to 'path')
test:  # test images (optional)

# Classes
nc: 1  # number of classes
names: ['sickleave']  # class names

        上半为路径，下半为分类数以及分类名，因本次实验只要求框选出坏叶，故仅有一类，名称记为sickleave。

        之后从github上下载yolov5的参数模型；

Releases · ultralytics/yolov5 · GitHubYOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite. Contribute to ultralytics/yolov5 development by creating an account on GitHub.https://github.com/ultralytics/yolov5/releases

图2.2.1 参数模型下载页面展示

        页面上有一大把，大小不一，总结一下就是越大的参数越多，精度越高，训练所需时间更长，检测需要时间更长，但是特征学习更好，检测的效果更好，这里下了俩，一个yolov5s.pt，一个yolov5x.pt（前面那个比较小，后面这个比较大）。

        之后将下好的参数文件放进yolo的文件夹根目录中。

        下一步对train进行参数修改：

        打开train的edit configuration 中 参数行打入--weights yolov5x.pt --data data/sickleave.yaml --workers 1 --batch-size 8；

        之后运行即可开始训练，训练的结果保存在runs/train/exp中，包含参数文件和一大堆训练图展示

图2.2.2 train结果展示

        weights中best.pt即为训练好的参数文件。

         之后对val进行测试，打开yolo中的detect，同上修改参数，打入--weights best.pt --source ****\Desktop\sickleave\images\val即可，之后测试的结果存入runs/val中，这里展示两张图，分别是yolov5s.pt训练好后测试得到的和yolov5x.pt训练好后得到的。

        

图2.2.3  yolov5s.pt得到的一张结果图展示

图2.2.4  yolov5x.pt得到的一张结果图展示

         因我们这个实验并未有硬性指标，故仅通过简单观察，寻求一个大致不错的weight参数即可。

3.web搭建

        本次实验在web搭建上使用的为python中的Flask进行。在相关内容学习和查询的过程中，有幸发现了一位大佬的代码，在此应用了这位大佬的web端实现，下面为这位大佬的原文地址，欢迎大家前往阅读学习尝试：

YOLOv5部署到web端（flask+js简单易懂）_yolov5部署web_帅帅帅.的博客-优快云博客https://blog.youkuaiyun.com/weixin_44902604/article/details/130085119        将static，templates以及app.py放至yolo文件中即可运行。（感谢大佬的分享）

        运行结果如图：

 图2.3.1  web页面展示

                具体使用方法即为点击选择文件，在本地上寻找一张图片，之后点击开始检测， 之后会 在本地的runs/detect/exp/filename出生成检测完成的图片，之后点击展示图片，前往URL为 ***/sh的路由（？这部分名词概念不太清楚该怎么说，见谅）出展示出图片，不过仍会存在一些小问题，如当前为****/sh的地址，若是想再次选择检测，需要先回到端口；

                且再次展示图片时会遇到报错为：

图2.3.2  报错页面展示

                错误原因:yolo的detect结果每次运行都会新建一个exp（exp1;exp2;exp3.....） ，但这个 路径是继续沿着exp里找文件的，故出现了FileNotFoundError；

                之后去看了看yolo的参数：

(2条消息) 手把手带你调参YOLOv5 (v5.0-v7.0)（推理）_yolov5调参_迪菲赫尔曼的博客-优快云博客https://blog.youkuaiyun.com/weixin_43694096/article/details/124378167

                发现管控这部分的yolo参数为（exist-ok）：

      

图2.3.3  yolo参数展示

               经查询，该参数的作用为保存的路径是否有文件，已有的话不再创建新的；

                让我比较迷糊的一点就是这个明明加载调用了，但是每次检测仍会创建新的，但是将其 注释掉了之后就只剩一个exp了，问题解决，但是不知原因。