模型部署

安装

• 保证CUDA和pytorch安装好的基础上，将YOLOv5的源码拷到本地。

$ git clone https://github.com/ultralytics/yolov5.git

• 在Anaconda的shell里面，安装官方给好的配置文件requirements.txt。

$ pip install -U -r requirements.txt

在下载好的YOLOv5源码的目录下执行。

报错处理

• 其实requirements.txt文件主要是对以下内容进行安装，如果某一步报错，针对问题切换方法即可。

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安装时容易出问题，建议提前在VS里面把SDK类东西装好。

模型训练

• 找到对应数据集之后，使用标签工具打上标签，得到XML文件。
• 由于YOLOv5只能训练格式为{seq、x_center/image_width、y_center/image_height、width/image_width、height/image_height}的.txt文件，于是编写python脚本将XML文件转为.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对整理好的数据集进行训练。

$ python train.py --img 640 --batch 16 --cfg ./models/yolov5s.yaml --weights ''

训练好的数据集权重会放在./runs/train/exp/weights。

• 对train.py进行参数解析：

参数	作用
epochs	数据集被迭代的次数
batch	每次权重更新所需分析的图片数
hyp	超参数配置文件
cfg	存储模型结构的配置文件
data	数据集的配置文件
img	输入图片宽高
rect	矩形训练
resume	恢复最近保存的模型训练
nosave	仅保存最后的checkpoint
notest	仅测试最后的epoch
evolve	进化超参数
bucket	gsutil bucket
cache-images	缓存图像（加快训练速度）
weights	权重文件
name	重命名
device	设备
adam	使用adam优化
multi-scale	多尺度训练
single-cls	单类别训练集

加粗的参数对计算机的性能有要求，可以根据实际情况调整。

其中epochs一般选择50~200，太小欠拟合，太大过拟合。

模型使用

• 图片

$ python detect.py --source {image_file}

• 视频流

$ python detect.py --source {stream_url}

• 使用自己训练的数据集权重时，需要修改参数：

$ python detect.py --weights {pt_path}

参考

• YOLOv5目标检测

• YOLOv5模型训练

• Python实现XML文件解析

• 利用yolov5训练自己的数据集

标签：Yolov5,name,部署,getElementsByTagName,模型,height,width,file,image
来源： https://blog.csdn.net/qq_45969062/article/details/117422346