目标检测笔记(十三): 使用YOLOv5-7.0版本对图像进行目标检测完整版（从自定义数据集到测试验证的完整流程））

一、目标检测介绍

目标检测（Object Detection）是计算机视觉领域的一个重要研究方向，其主要任务是从图像或视频中识别并定位出感兴趣的目标对象。目标检测技术在许多实际应用中具有广泛的用途，如自动驾驶、视频监控、医学影像分析等。

目标检测的主要方法可以分为两大类：基于传统机器学习的方法和基于深度学习的方法。

• 基于传统机器学习的方法：这些方法主要依赖于手工设计的特征提取器和分类器。常用的特征提取器包括SIFT、SURF、HOG等，而分类器则可以是支持向量机（SVM）、随机森林（Random Forest）、K-近邻（KNN）等。这类方法通常需要大量的标注数据进行训练，但在一些特定场景下，它们仍具有一定的性能。

• 基于深度学习的方法：近年来，深度学习在目标检测领域取得了显著的进展。深度学习方法主要包括卷积神经网络（CNN）和区域卷积神经网络（R-CNN）。

  • 卷积神经网络（CNN）：CNN通过多层卷积层和池化层来自动学习图像的特征表示。著名的目标检测网络有Faster R-CNN、Faster R-CNN v2和YOLO（You Only Look Once）。这些网络可以生成候选框，然后使用非极大值抑制（NMS）等技术去除重叠的框，从而得到最终的目标检测结果。
  • 区域卷积神经网络（R-CNN）：R-CNN通过引入Region Proposal Network (RPN)来生成候选框。RPN首先在图像中生成一系列可能包含目标的区域，然后将这些区域送入CNN进行特征提取和分类。著名的R-CNN网络有Fast R-CNN、Faster R-CNN和Mask R-CNN。这些网络相较于传统的目标检测方法具有更高的准确率和速度。

随着深度学习技术的发展，目标检测的性能得到了显著提升，同时计算复杂度也得到了降低。这使得目标检测技术在各种应用场景中得到了广泛应用。

二、YOLOv5介绍

YOLOv5是一种目标检测算法，是YOLO（You Only Look Once）系列的较新版本。它由ultralytics团队开发的，采用PyTorch框架实现。

YOLOv5相较于之前的版本，有以下几个显著的改进：

• 更高的精度：YOLOv5在精度上有了显著提升，特别是在小目标检测方面。
• 更快的速度：YOLOv5相较于YOLOv4，速度更快，可以实时运行在较低的硬件设备上。
• 更小的模型：YOLOv5相较于YOLOv4，模型大小更小，占用更少的存储空间。
• 更好的可扩展性：YOLOv5可以很容易地进行模型的扩展和修改，以适应不同的任务和数据集。

YOLOv5的工作流程如下：

1. 输入图像被分割成一系列的网格。
2. 每个网格预测一系列的边界框，以及每个边界框属于不同类别的概率。
3. 使用非极大值抑制（NMS）算法，去除重叠较多的边界框，并选择最终的检测结果。

YOLOv5可以用于各种目标检测任务，如人脸检测、车辆检测、行人检测等。它在许多计算机视觉竞赛中取得了优异的成绩，并且被广泛应用于实际应用中，如自动驾驶、视频监控等。

2.1 和以往版本的区别

YOLOv1：

• 主干部分主要由卷积层、池化层组成，输出部分由两个全连接层组成用来预测目标的位置和置信度。
• 原理：将每一张图片平均的分成7x7个网格，每个网格分别负责预测中心点落在该网格内的目标。
• 优点：检测速度快、迁移能力强
• 缺点：输入尺寸是固定的，有较大的定位误差

YOLOv2：

• 在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），**识别对象更多（Stronger）**这三个方面进行了改进
• 加入BN层，加速收敛；加入先验框解决物体漏检问题；多尺度训练，网络可自动改变尺寸等等
• 优点：收敛速度快、可自动改变训练尺寸。
• 缺点：对于小目标检测不友好

YOLOv3：

• 针对v2的缺点，1）加入了更好的主干网络(Darknet53),而不是VGG；2）为了提升小目标检测还加入了FPN网络；3）通过聚类生成先验框（一个框：长宽，根据纵横比和它的尺寸生成的先验框）；4）加入了更好的分类器-二元交叉熵损失。
• 优点：增强了对于小目标的检测
• 缺点：参数量太大

YOLOv4：

• 差别：
  • 特征提取网络的不同：1）Darknet53变成CSPDarknet53(降低了计算量，丰富了梯度信息，降低了梯度重用)相当于多个一个大残差边，再将这部分融合；2）加入了SPP-空间金字塔池化，增加感受野；3）加入了PAN操作，增加一条下采样操作
  • 激活函数不同：由leakyrelu变为mish激活函数
  • loss不同：余弦退火衰减，学习率会先上升再下降
  • 数据增强方法：采用了Cutout（随机剪切框）、GridMask（图像的区域隐藏在网格中）、MixUp（两张图混合）、Mosaic（四张图混合）等方法
• 优点：激活函数无边界，从而避免饱和；融合了多种tricks提升网络性能；参数量相比v3更低，速度更快。
• 缺点：不够灵活，代码对用户体验不好

YOLOv5：

• 差别：
  • 自定锚框定义：自动预先利用聚类自定义锚框
  • 控制模型大小：通过控制深度和宽度来控制模型的大小，从而区分出s，m，l，x的不同尺寸的模型
  • 优化函数：提供了两个优化函数Adam和SGD，并都预设了与之匹配的训练超参数
  • 非极大值抑制：DIoU-nms变为加权nms。
  • Focus操作：加入切片操作，提升训练速度
• 优点：灵活性更强，速度更快；使用Pytorch框架对用户更好，精度高。
• 缺点：Focus的切片操作对嵌入式并不友好，网络量化不支持Focus；精度和速度不平衡。
• 正负样本匹配策略：通过k-means聚类获得9个从小到大排列的anchor框，一个GT可以同时分配给多个anchor，它们是直接使用Anchor模板与GT Boxes进行粗略匹配，如果GT与某个anchor的iou大于给定的阈值，GT则分配给该Anchor，也就是说可以定位到对应cell的对应Anchor。以前是一个GT只分配给一个anchor。
• 坐标定义1：xyxy→通常为(x1, y1, x2, y2)，先两个表示左上角的坐标，再两个表示右下角的坐标。具体来说，这里的‘x1’表示bbox左上角的横坐标，‘y1’表示bbox左上角的纵坐标，‘x2’表示bbox右下角的横坐标，‘y2’表示bbox右下角的纵坐标。
• 坐标定义2：xywh→通常为(x, y, w, h)，也就是先两个表示bbox左上角的坐标，再两个表示bbox的宽和高，因此被称为 ‘xywh’ 表示。具体来说，这里的‘x’表示bbox左上角的横坐标，‘y’表示bbox左上角的纵坐标，‘w’表示bbox的宽度，‘h’表示bbox的高度。

三、代码获取

https://github.com/ultralytics/yolov5

3.1 视频代码介绍

可参考这个视频代码讲解：点击

四、环境搭建

安装ultralytics、cuda、pytorch、torchvision，然后执行pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
如果是cpu，则直接安装cpu对应的pytorch和torchvision，然后再执行后面的pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple。
参考这个博客：点击

五、数据集准备

首先我们可以通过labelImg来对图片进行标注，标注的适合我们可以选择保存为VOC或者YOLO格式的数据集，VOC对应为XML,YOLO对应为TXT。具体的准备过程可参考这篇博客：数据集学习笔记(六)：目标检测和图像分割标注软件介绍和使用，并转换成YOLO系列可使用的数据集格式

5.1 数据集转换

参考这篇博客：数据集学习笔记(六)：目标检测和图像分割标注软件介绍和使用，并转换成YOLO系列可使用的数据集格式

5.2 数据集验证

参考这篇博客：数据集学习笔记(六)：目标检测和图像分割标注软件介绍和使用，并转换成YOLO系列可使用的数据集格式

import cv2
import os

# 读取txt文件信息
def read_list(txt_path):
    pos = []
    with open(txt_path, 'r') as file_to_read:
        while True:
            lines = file_to_read.readline()  # 整行读取数据
            if not lines:
                break
            # 将整行数据分割处理，如果分割符是空格，括号里就不用传入参数，如果是逗号， 则传入‘，'字符。
            p_tmp = [float(i) for i in lines.split(' ')]
            pos.append(p_tmp)  # 添加新读取的数据
            # Efield.append(E_tmp)
            pass
    return pos

# txt转换为box
def convert(size, box):
    xmin = (box[1] - box[3] / 2.) * size[1]
    xmax = (box[1] + box[3] / 2.) * size[1]
    ymin = (box[2] - box[4] / 2.) * size[0]
    ymax = (box[2] + box[4] / 2.) * size[0]
    box = (int(xmin), int(ymin), int(xmax), int(ymax))
    return box

def draw_box_in_single_image(image_path, txt_path):
    # 读取图像
    image = cv2.imread(image_path)
    pos = read_list(txt_path)

    for i in range(len(pos)):
        label = classes[int(str(int(pos[i][0])))]
        print('label is '+label)
        box = convert(image.shape, pos[i])
        image = cv2.rectangle(image,(box[0], box[1]),(box[2],box[3]),colores[int(str(int(pos[i][0])))],2)
        cv2.putText(image, label,(box[0],box[1]-2), 0, 1, colores[int(str(int(pos[i][0])))], thickness=2, lineType=cv2.LINE_AA)

    cv2.imshow("images", image)
    cv2.waitKey(0)

if __name__ == '__main__':

    img_folder = "D:\Python\company\Object_detection\datasets\mask_detection/train\images"
    img_list = os.listdir(img_folder)
    img_list.sort()

    label_folder = "D:\Python\company\Object_detection\datasets\mask_detection/train/labels"
    label_list = os.listdir(label_folder)
    label_list.sort()

    classes = {0: "no-mask", 1: "mask"}
    colores = [(0,0,255),(255,0,255)]

    for i in range(len(img_list)):
        image_path = img_folder + "\\" + img_list[i]
        txt_path = label_folder + "\\" + label_list[i]
        draw_box_in_single_image(image_path, txt_path)


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61

六、模型训练

我们将所有的原图和TXT标签得到之后，为下图结构：
mask_detection

• images
  • train
  • val
• labels
  • train
  • val
    
    修改yaml数据集配置文件：
    
    统计口罩佩戴的数量信息：

# 只需要修改txt路径和样本数和类别名
import os

txt_path = "D:\Python\company\Object_detection\datasets\mask_detection/train/labels" # txt所在路径
class_num = 2  # 样本类别数
classes = {0: "no-mask", 1: "mask"}
class_list = [i for i in range(class_num)]
class_num_list = [0 for i in range(class_num)]
labels_list = os.listdir(txt_path)
for i in labels_list:
    file_path = os.path.join(txt_path, i)
    file = open(file_path, 'r')  # 打开文件
    file_data = file.readlines()  # 读取所有行
    for every_row in file_data:
        class_val = every_row.split(' ')[0]
        class_ind = class_list.index(int(class_val))
        class_num_list[class_ind] += 1
    file.close()
# 输出每一类的数量以及总数
for i in classes:
    print(classes.get(i),":",class_num_list[i])
print('total:', sum(class_num_list))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

开始准备训练：

python train.py --data data/mask.yaml --weights weights/yolov5s.pt --img 640 --epochs 20 --workers 4 --batch-size 8
1

七、模型验证

python val.py --weights runs/train/exp/weights/best.pt --data data/mask.yaml
1

八、模型测试

python detect.py --weights runs/train/exp/weights/best.pt
1

九、评价指标

YOLOv5是一种用于目标检测的深度学习模型，它使用了YOLO（You Only Look Once）算法。评价指标是用来衡量模型性能的指标，以下是YOLOv5常用的评价指标介绍：

• mAP（mean Average Precision）：平均精度均值。mAP是目标检测中最常用的评价指标之一，它综合考虑了准确率和召回率。mAP的取值范围是0到1，数值越高表示模型性能越好。

  • mAP50：是指平均精确度（mean Average Precision）的值，其中计算的是检测模型在IoU（Intersection over Union）阈值为0.5时的平均精确度。
  • mAP50-95 : mAP50-95是指在计算平均精确度时，使用IoU阈值从0.5到0.95的范围进行计算，然后取平均值。这个指标可以更全面地评估检测模型在不同IoU阈值下的表现。

• Precision（精确率）：精确率是指模型预测为正例中真正为正例的比例。Precision的计算公式是预测为正例且正确的样本数除以预测为正例的样本数。

• Recall（召回率）：召回率是指真实为正例中被模型正确预测为正例的比例。Recall的计算公式是预测为正例且正确的样本数除以真实为正例的样本数。

• F1-score：F1-score是精确率和召回率的调和平均值，它综合考虑了两者的性能。F1-score的计算公式是2 * (Precision * Recall) / (Precision + Recall)。

• AP（Average Precision）：平均精度。AP是mAP的组成部分，它是在不同的置信度阈值下计算得到的精度值的平均值。

• IoU（Intersection over Union）：交并比。IoU是计算预测框和真实框之间重叠部分的比例，用于判断预测框和真实框的匹配程度。一般情况下，当IoU大于一定阈值时，认为预测框和真实框匹配成功。

---