yolov5汉化版

近期更新

• v7.0 版本: 新增实例分割，现在可以训练、测试、检测、导出实例分割模型，目前视觉领域的三大任务目标检测、分类、分割都可以用yolov5工程了
• 支持飞桨PaddlePaddle的导出和推理了
• v6.2 版本: 新增yolov5分类模型, 适配苹果M1/M2芯片，引入ClearML和Deci.ai。
• v6.1 版本: 现在支持11种格式的模型导出和推理，更新了预训练权重，指标上相较v6.0好了一点。
  现在支持导出和推理的模型有：PyTorch(.pt), TorchScript(.torchscript), ONNX(.onnx), OpenVINO, TensorRT(.engine), CoreML(.mlmodel), TensorFlow SavedModel, Tensorflow GraphDef(.pb), TensorFlow Lite(.tflite), TensorFlow Edge TPU(.tflite), Tensorflow.js。
• v6.0 版本: 新增yolov5 nano模型，其他模型结构也有修改，模型转换/导出友好，精度基本不变，速度略有提升。

  ---

目录

• yolov5汉化版
  • 近期更新
  • 目录
  • 简介
    • 1. 模型效果
    • 2. yolov5版本：
  • 依赖
  • 训练
    • 1. 简单复现训练
    • 2. 自定义训练
    • 3. 训练指令说明
  • 检测
    • 1. 简单检测命令
    • 2. 自定义检测
    • 3. 检测指令说明
  • 测试
    • 1. 测试命令
    • 2. 各指令说明
  • TODO
  • 联系方式
  • LICENSE

    ---

简介

本仓库Fork自Ultralytics公司出品的yolov5，原仓库地址为：ultralytics/yolov5 ，版权请参见原仓库License

1. 模型效果

点击展开

yolov5按从小到大分为五个模型yolov5n、yolov5s、yolov5m、yolov5l、yolov5x，这五个模型的表现见下图： 在这五个模型基础上增加P6层，模型结构更深，四个模型效果分别为：

2. yolov5版本：

• 2022年8月17日：v6.2 release
• 2022年2月22日：v6.1 release
• 2021年10月12日：v6.0 release
• 2021年4月12日：v5.0 release
• 2021年1月5日：v4.0 release
• 2020年10月29日：v3.1 release
• 2020年8月13日: v3.0 release
• 2020年7月23日: v2.0 release
• 2020年6月26日: v1.0 release

注意：yolov5更新很快，永远建议使用最新版本代码，我不能及时更新的话请去官方repo下更新。

依赖

Python版本需要 ≥ 3.6.0，使用GPU的话要有CUDA环境。其他依赖都写在了requirements.txt 里面。一键安装依赖的话，打开命令行，cd到yolov5的文件夹里，输入：

$ pip install -r requirements.txt

有安装多个版本python的，记得在命令行里把开头的pip替换为pip3，python也换为你的版本,如python3或者python3.8，下同。

pip安装慢的，请配置镜像源，下面是清华的镜像源。

$ pip install pip -U
$ pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

想配其他镜像源直接把网址替换即可，以下是国内常用的镜像源：

豆瓣 https://pypi.doubanio.com/simple/
网易 https://mirrors.163.com/pypi/simple/
阿里云 https://mirrors.aliyun.com/pypi/simple/
腾讯云 https://mirrors.cloud.tencent.com/pypi/simple
清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/

注意事项

1. Windows版在检测(`detect.py`)时可能有问题，请尽量在Linux或者MacOS使用本工程。如果你是CUDA11，且检测不出框，则降级到CUDA10.2，然后重装Pytorch1.8.1+cu102试试。 2. 不想自己配环境的可以用colab或者docker,下面是几个免费环境： - **Google Colab and Kaggle** : - **Google Cloud** : [GCP 快速上手教程](https://github.com/ultralytics/yolov5/wiki/GCP-Quickstart) - **Amazon** Deep Learning AMI. See [AWS 快速上手教程](https://github.com/ultralytics/yolov5/wiki/AWS-Quickstart) - **Docker Image**. [Docker 快速上手教程](https://github.com/ultralytics/yolov5/wiki/Docker-Quickstart)

训练

1. 简单复现训练

直接执行下面命令。根据你的显卡情况，使用最大的 --batch-size ，(下列命令中的batch size是16G显存的显卡推荐值)。其中，--cfg为指定模型结构，--weights为指定初始化模型权重。

$ python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 64
                                         yolov5m.yaml                           40
                                         yolov5l.yaml                           24
                                         yolov5x.yaml                           16

2. 自定义训练

使用自己的训练集进行自定义训练，详情点击展开：

① 准备标签

yolo格式的标签为txt格式的文件，文件名跟对应的图片名一样，除了后缀改为了.txt。 具体格式如下： - 每个目标一行，整个图片没有目标的话不需要有txt文件，或者空文件。 - 每行的格式为`class_num x_center y_center width height` - 其中`class_num`取值为`0`至`total_class - 1`，框的四个值`x_center` `y_center` `width` `height`是相对于图片分辨率大小正则化的`0-1`之间的数，左上角为`(0,0)`，右下角为`(1,1)` 最终的标签文件应该是这样的：

② 数据存放规范

数据读取有三种形式，但是还是推荐下面这个存储方式。因为yolov5只需要给图片路径即可，代码会根据图片找标签，具体形式的把图片路径`/images/*.jpg`替换为`/labels/*.txt`，所以要新建两个文件夹，一个名为`images`存放图片，一个名为`labels`存放标签txt文件，如分训练集、验证集和测试集的话，还要再新建各自的文件夹，如图：

3. 训练指令说明

各个训练指令的详细说明，新手的话只需要关注这几个加⭐的指令，点击展开：

检测

推理支持多种模式，图片、视频、文件夹、rtsp视频流和流媒体都支持。

1. 简单检测命令

直接执行detect.py，指定一下要推理的目录即可，如果没有指定权重，会自动下载默认COCO预训练权重模型。手动下载：v6.0权重阿里云盘下载地址 (将后缀改为zip解压即可)。 推理结果默认会保存到 ./runs/detect中。

# 快速推理，--source 指定检测源，以下任意一种类型都支持：
$ python detect.py --source 0  # 本机默认摄像头
                            image.jpg  # 图片 
                            video.mp4  # 视频
                            path/  # 文件夹下所有媒体
                            path/*.jpg # 使用glob模块匹配文件
                            screen # 检测本机屏幕
                            rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa  # rtsp视频流
                            http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8  # http视频流

2. 自定义检测

使用权重./weights/yolov5s.pt去推理./data/images文件夹下的所有媒体，并且推理置信度阈值设为0.5:

$ python detect.py --source ./data/images/ --weights ./weights/yolov5s.pt --conf 0.5

3. 检测指令说明

自己根据需要加各种指令，新手只需关注带⭐的指令即可。

测试

1. 测试命令

首先明确，推理是直接检测图片，而测试是需要图片有相应的真实标签的，相当于检测图片后再把推理标签和真实标签做mAP计算。
例如使用./weights/yolov5x.pt权重检测./data/coco.yaml里定义的测试集，图片分辨率设为672。

$ python val.py --weights ./weights/yolov5x.pt --data ./data/coco.yaml --img 672

2. 各指令说明

TODO

• [ ] 翻译官方Tutorial的各个教程
• [ ] 建一个交流群

联系方式

如有疑问可在本repo的Issues里提，我看到会及时回复。

如有代码bug请去yolov5官方Issues下提。

个人联系方式：wudashuo@gmail.com

LICENSE

遵循yolov5官方LICENSE
本README所有内容禁止除fork外的任何形式的转载