大家好，欢迎来到IT知识分享网。
Yolov5安装配置及使用教程（详细过程）
You only look once (YOLO) is a state-of-the-art, real-time object detection system. On a Pascal Titan X it processes images at 30 FPS and has a mAP of 57.9% on COCO test-dev.
之前在学习目标检测的时候，正值Yolov5发布，当时试用了下感觉还不错，最近有时间 使用最新的Yolov5源码，重新整理下安装配置到使用过程。。实践整个过程半小时即可搞定（前提已有Anaconda）
总体来看Yolov5的速度和效率较之前yolov4等系列都快，准确度更高。。
在下载配置Yolov5前，先要安装好Anaconda环境，可参考之前博文：最新Anaconda3的安装配置及使用教程（详细过程）
Yolov5官方doc：https://docs.ultralytics.com/quick-start/
1. 下载Yolov5
1.1 下载Yolov5源码：
- Yolov5 Github地址：https://github.com/ultralytics/yolov5
直接git clone到本地工作目录，等待下载完成：
git clone https://github.com/ultralytics/yolov5
Yolov5代码目录架构：
1.2 下载Yolov5预训练模型：
既已经训练好的权重参数数据，可以直接使用，就不要在本机再做Traninig了
找到最新的release，点开下面的Assets下载（.pt文件就是pytorch的模型文件）：
下载后放到Yolov5源码根目录，或新建个weights/目录中使用：
yolov5共有四种模型：yolov5s、yolov5m、yolov5l、yolov5x。
不同的预训练模型 ，效果和精度不一样，如下图
其中yolov5s目标检测速度最快，因为其网络参数最少，但相应的，检测效果相比是最差的
而yolov5x是检测效果最好的，参数最多，而时间上最慢。。
具体使用可以根据实际需要，例如如果目标检测应用场景比较看重速度，就用yolov5s.pt
其中P5/P6模型的差异：（模型后面不带6的就是P5）
- YOLOv5-P5 models (same architecture as v4.0 release): 3 output layers P3, P4, P5 at strides 8, 16, 32, trained at –img 640
python detect.py --weights yolov5s.pt # P5 models
yolov5m.pt
yolov5l.pt
yolov5x.pt
- YOLOv5-P6 models: 4 output layers P3, P4, P5, P6 at strides 8, 16, 32, 64 trained at –img 1280
python detect.py --weights yolov5s6.pt # P6 models
yolov5m6.pt
yolov5l6.pt
yolov5x6.pt
模型在GPU 下的效率测试数据图：
P5模型在Coco数据集的训练参数图：
2. 安装Yolov5
源码下完后，下面开始安装Yolov5所需模块，
直接pip install -r requirements.txt，等待安装完成即可
python -m pip install -r requirements.txt
如果没有cuda默认安装的pytorch-cpu版，如果有gpu可以安装gpu版：https://pytorch.org/get-started/locally/， 提升速度
可以打开看下requirements.txt的依赖包：
3. 测试Yolov5 ：
就使用源码中的Detect.py即可：
python detect.py --source 0 # webcam
file.jpg # image
file.mp4 # video
path/ # directory
path/*.jpg # glob
'https://youtu.be/NUsoVlDFqZg' # YouTube video
'rtsp://example.com/media.mp4' # RTSP, RTMP,
最新版还支持了直接通过Youtube 的url进行目标检测
3.1 Img图片测试
然后通过detect.py对图像进行目标检测：
python detect.py --source ./data/image/bus.jpg
detect.py默认使用同目录下的yolov5s.pt 模型，如果想用其他的，可以用–weights 进行指定。
然后可以在yolov5/runs/detect目录下找到模型输出结果的文件夹 ：
这是源码自带的bus.jpg识别效果：
在网上随便找了一张图片，下载试了效果也不错，同时Yolov5处理该图片时间只用了0.3s
python detect.py --source ./data/image/people.jpg
3.2 Video视频测试
源码自带没有视频demo，这里就拿我老家的柯基狗崽子们做个测试，哈哈~
视频放到data目录中即可：
然后通过detect.py对视频进行目标检测：
python detect.py --source data/video/dog1.mp4
视频Detect就有些慢了，因为也是转换为图片放到模型处理的，我实测了19s 3M多的视频 用了97s
实际测试效果如下，
在识别有时候也会像下面错误识别为cat，如果用yolov5x.pt识别准确度会高一些，当然也可能因为小奶狗长的有点像小猫吧~~。。。
当然识别率也和视频拍摄角度和清晰度、晃动程度有很大关系。。
比如用固定摄像头拍摄的图像，效果会好一些：
总体来看YOLOv5识别效果也不错了，后期可以对模型进行微调和优化 来提高某一类object的识别率。。。
3.3 摄像头测试
使用本机摄像头测试Yolov5实时检测：
python detect.py --source 0
就会弹出摄像头页面，识别到的物体会用不同颜色的方框进行标识，同时上面会显示名称和概率（置信度）
如果通过摄像头检测出识别的物体会打印出来：比如下面的person，cell phone等。
随便找了手边几样东西测试了下，效果还不错：
3.4 App测试
细心的小伙伴应该看到上面第一张图片App store的宣传照片，没错，IOS可以直接下载iDetection来通过手机摄像头实时测试/使用Yolo 目标检测：
App上面也是可选择四种Yolov5 model
随手选择模型打开摄像头即可实时检测：
至此 Yolov5的安装使用测试都已经OK了，根据初步印象来看，Yolov5的配置简单，并且识别效率和速度都是不错的。。
下面章节开始训练自己的数据和模型调优、源码分析等。。。
博主热门文章推荐：
一篇读懂系列：
- 一篇读懂无线充电技术（附方案选型及原理分析）
- 一篇读懂：Android/iOS手机如何通过音频接口（耳机孔）与外设通信
- 一篇读懂：Android手机如何通过USB接口与外设通信（附原理分析及方案选型）
LoRa Mesh系列：
- LoRa学习：LoRa关键参数（扩频因子，编码率，带宽）的设定及解释
- LoRa学习：信道占用检测原理（CAD）
- LoRa/FSK 无线频谱波形分析（频谱分析仪测试LoRa/FSK带宽、功率、频率误差等）
网络安全系列：
- ATECC508A芯片开发笔记（一）：初识加密芯片
- SHA/HMAC/AES-CBC/CTR 算法执行效率及RAM消耗 测试结果
- 常见加密/签名/哈希算法性能比较 (多平台 AES/DES, DH, ECDSA, RSA等)
- AES加解密效率测试（纯软件AES128/256）–以嵌入式Cortex-M0与M3 平台为例
嵌入式开发系列：
- 嵌入式学习中较好的练手项目和课题整理（附代码资料、学习视频和嵌入式学习规划）
- IAR调试使用技巧汇总：数据断点、CallStack、设置堆栈、查看栈使用和栈深度、Memory、Set Next Statement等
- Linux内核编译配置（Menuconfig）、制作文件系统 详细步骤
- Android底层调用C代码（JNI实现）
- 树莓派到手第一步：上电启动、安装中文字体、虚拟键盘、开启SSH等
- Android/Linux设备有线&无线 双网共存（同时上内、外网）
AI / 机器学习系列：
- AI: 机器学习必须懂的几个术语：Lable、Feature、Model…
- AI：卷积神经网络CNN 解决过拟合的方法 （Overcome Overfitting）
- AI: 什么是机器学习的数据清洗（Data Cleaning）
- AI: 机器学习的模型是如何训练的？（在试错中学习）
- 数据可视化：TensorboardX安装及使用（安装测试+实例演示）
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://yundeesoft.com/22299.html
