學(xué)習(xí)筆記-YOLOV5目標(biāo)檢測(cè)初步了解記錄
吐槽：無(wú)奈，好好的?markdown文本一到b站，啥排版都沒了，只能手動(dòng)再調(diào)整。也不知道以后會(huì)不會(huì)支持md格式。似乎有人開發(fā)了轉(zhuǎn)換插件，也不知好不好用。到底還是對(duì)口的網(wǎng)站更對(duì)口些。
大體上對(duì)yolov5模型有了初步了解。模型是類似于應(yīng)用程序的模板，程序員拿過來(lái)改一改就能弄出自己需求功能應(yīng)用。上手只需要修改需要的幾個(gè)參數(shù)或位置，即可拿來(lái)跑出自己的模型權(quán)重，來(lái)用于后期的部署。以下是使用yolov5前基本的了解與熟悉過程的記錄，非教程。
tips：不管是前期配置pytorch環(huán)境，還是之后git yolo本體或pt文件，都最好備著個(gè)代理，不然真是會(huì)被網(wǎng)速折磨的夠嗆。
官方例程運(yùn)行：
detect.py使用yolov5s.pt權(quán)重：
使用了了官方的yolov5s.pt權(quán)重，可以識(shí)別80類物品：
'person','bicycle','car','motorcycle', 'airplane','bus','train', 'truck','boat', 'traffic light'……
運(yùn)行起來(lái)，看著還不錯(cuò)，蠻有意思的。不過整體置信率都不高。
yolov5m.pt權(quán)重：
換成了更大的yolov5m.pt，卡頓了不少，置信率整體上高了一些。連把書識(shí)別成laptop都更自信了。
實(shí)時(shí)識(shí)別效果：
train.py使用yolov5s.pt訓(xùn)練
數(shù)據(jù)集為coco128，雖然只有128張圖，但也只淺淺地跑了5輪。畢竟我的小筆記本只是1660ti，還是不要為難它了。得到了best.pt。
使用best.pt效果
乍一看其實(shí)也還可以，就是為我們的實(shí)驗(yàn)室新添了個(gè)TV。
好了，玩了好一陣，確實(shí)很有趣，不過接下來(lái)要開始干正事了。
項(xiàng)目結(jié)構(gòu)：基本完成
要學(xué)習(xí)一個(gè)項(xiàng)目，項(xiàng)目結(jié)構(gòu)是必須先了解的。一個(gè)不錯(cuò)的詳解學(xué)習(xí)文章：
https://blog.csdn.net/weixin_43334693/article/details/129356033
通過此博客，基本了解yolov5項(xiàng)目結(jié)構(gòu)，知道大體上文件及文件夾作用，知道首先需要注意哪幾個(gè)文件及文件夾。下圖顯示了我們初學(xué)者主要需要關(guān)注的文件或文件夾：
tips:聽到某個(gè)人說數(shù)據(jù)集本體最好放在根目錄下，不要放在data文件夾下。
文件結(jié)構(gòu)基本清楚了，繼續(xù)下一步吧。讀源碼，也是根據(jù)此人的博客。
源碼閱讀：
由于源碼中存在注釋，在記錄中只標(biāo)記代碼段功能，不再額外引用代碼。有一說一，看代碼確實(shí)是個(gè)令人頭禿的活計(jì)。
detect.py:基本完成
https://blog.csdn.net/weixin_43334693/article/details/129349094
基本配置：
首先導(dǎo)入包，不必多提
獲取文件路徑，將當(dāng)前.py文件所在項(xiàng)目文件夾添加到python環(huán)境中，使得其可以調(diào)用同一個(gè)文件夾下的其他模塊。
加載自定義模塊中的類，由于有第2步，所以這一步可以導(dǎo)入。
執(zhí)行main函數(shù)：
在命令行中中進(jìn)入對(duì)用根目錄，輸入：>python detect.py --source 0，即可運(yùn)行detect.py去采集攝像頭視頻幀進(jìn)行識(shí)別并輸出結(jié)果。
detect.py最后，
if __name__ == "__main__":
opt = parse_opt() # 接收命令行傳來(lái)的參數(shù)到opt中
main(opt) # 用opt參數(shù)去執(zhí)行主函數(shù)
if行只有命令行調(diào)用時(shí)執(zhí)行，與作為模塊調(diào)用執(zhí)行相比，多了個(gè)接受命令行參數(shù)的步驟。
設(shè)置opt參數(shù)：
這段代碼是一個(gè) Python 腳本中的一個(gè)函數(shù)，用于解析命令行參數(shù)并返回這些參數(shù)的值。
--data：yolov5官方模板指向data/coco128.yaml文件。此yaml文件包括coco128數(shù)據(jù)集路徑；該路徑下的train、val以及test集的劃分路徑。還有coco128數(shù)據(jù)集的標(biāo)簽總數(shù)類別。還有數(shù)據(jù)集下載url 。有人說可以不用管。
--weights： ?訓(xùn)練的權(quán)重路徑，可以使用自己訓(xùn)練的權(quán)重，也可以使用官網(wǎng)提供的權(quán)重。默認(rèn)官網(wǎng)的權(quán)重yolov5s.pt(yolov5n.pt/yolov5s.pt/yolov5m.pt/yolov5l.pt/yolov5x.pt/區(qū)別在于網(wǎng)絡(luò)的寬度和深度以此增加)
--source： ?測(cè)試數(shù)據(jù)，可以是圖片/視頻路徑，也可以是'0'(電腦自帶攝像頭)，也可以是rtsp等視頻流, 默認(rèn)data/images
--imgsz： ?預(yù)測(cè)時(shí)網(wǎng)絡(luò)輸入圖片的尺寸，默認(rèn)值為 [640]
--conf-thres： ?置信度閾值，默認(rèn)為 0.50
……
執(zhí)行run函數(shù)：
載入?yún)?shù)。
初始化配置。這段代碼主要用于處理輸入來(lái)源。定義了一些布爾值區(qū)分輸入是圖片、視頻、網(wǎng)絡(luò)流還是攝像頭。
保存結(jié)果。這段代碼主要是用于創(chuàng)建保存輸出結(jié)果的目錄。創(chuàng)建一個(gè)新的文件夾exp（在runs文件夾下）來(lái)保存運(yùn)行的結(jié)果。
加載模型。這段代碼主要是用于選擇設(shè)備、初始化模型和檢查圖像大小。
加載數(shù)據(jù)。這段代碼是根據(jù)輸入的 source 參數(shù)來(lái)判斷是否是通過 webcam 攝像頭捕捉視頻流。
推理部分
熱身部分，對(duì)每張圖片/視頻進(jìn)行前向推理，NMS除去多余的框（這段代碼是執(zhí)行非最大值抑制（NMS）的步驟，用于篩選預(yù)測(cè)結(jié)果，預(yù)測(cè)過程（這段代碼使用了一個(gè)循環(huán)來(lái)遍歷檢測(cè)結(jié)果列表中的每個(gè)物體，并對(duì)每個(gè)物體進(jìn)行處理），打印目標(biāo)檢測(cè)結(jié)果，在窗口中實(shí)時(shí)查看檢測(cè)結(jié)果，設(shè)置保存結(jié)果在終端里打印出運(yùn)行的結(jié)果
train.py:存疑/未完成
https://blog.csdn.net/weixin_43334693/article/details/129460666
導(dǎo)包和基本配置，分布式訓(xùn)練初始化（如果具有多GPU）。大體同detect.py。
執(zhí)行main()函數(shù)：
檢查分布式訓(xùn)練環(huán)境。
判斷是否斷點(diǎn)續(xù)訓(xùn)。
判斷是否分布式訓(xùn)練。
判斷是否進(jìn)化訓(xùn)練。設(shè)置opt參數(shù)。
執(zhí)行train()函數(shù)：
加載參數(shù)和初始化配置信息。
加載網(wǎng)絡(luò)模型。
加載數(shù)據(jù)集。
訓(xùn)練過程。
打印消息釋放緩存。執(zhí)行run()函數(shù)。類似于命令行支持函數(shù)，可以使得別的模塊導(dǎo)入train.py后，通過run調(diào)用執(zhí)行訓(xùn)練過程。
有一說一，train.py的閱讀過程極其艱難與痛苦，大部分的原因還是長(zhǎng)期積累缺失導(dǎo)致的各類專有名詞與python基礎(chǔ)代碼實(shí)現(xiàn)的不認(rèn)識(shí)/不熟練，以至于能不能說讀完了讀完源碼都得打個(gè)大大的問號(hào)。不過，基本的功能對(duì)應(yīng)的代碼位置確定了，至于別的更細(xì)的，說到底是個(gè)水磨工夫，慢慢來(lái)吧。
總結(jié)：
到目前為止，yolov5的初步使用所需的應(yīng)該具備了，準(zhǔn)備開始嘗試訓(xùn)練自己的小玩意吧。
