深度學(xué)習(xí) 實(shí)驗(yàn)指導(dǎo)書 實(shí)驗(yàn)5：基于YOLOv5模型的目標(biāo)檢測(cè)實(shí)驗(yàn)指導(dǎo)書

基于YOLOv5模型的圖像目標(biāo)檢測(cè)實(shí)驗(yàn)指導(dǎo)書一、實(shí)驗(yàn)?zāi)康谋緦?shí)驗(yàn)旨在使用YOLOv5目標(biāo)檢測(cè)模型進(jìn)行圖像中的目標(biāo)檢測(cè)。YOLOv5是一種流行的目標(biāo)檢測(cè)模型，采用了單階段（one-stage）檢測(cè)方法，具有極高的檢測(cè)速度和良好的檢測(cè)性能。（1）理解YOLOv5模型的基本原理和工作機(jī)制。（2）掌握YOLOv5模型的部署和使用方法。（3）進(jìn)行基于YOLOv5模型的目標(biāo)檢測(cè)實(shí)驗(yàn)，包括模型訓(xùn)練、推理和評(píng)估。二、實(shí)驗(yàn)要求（1）基于Python語言和任意一種深度學(xué)習(xí)框架（實(shí)驗(yàn)指導(dǎo)書中使用PyTorch框架進(jìn)行介紹），從零開始完成數(shù)據(jù)讀取、網(wǎng)絡(luò)構(gòu)建、模型訓(xùn)練和模型測(cè)試等過程，最終實(shí)現(xiàn)一個(gè)可以完成基于YOLOv5模型的圖像目標(biāo)檢測(cè)的程序。（2）在自定義數(shù)據(jù)集上進(jìn)行訓(xùn)練和評(píng)估，實(shí)現(xiàn)測(cè)試集檢測(cè)精度達(dá)到90%以上。（3）在規(guī)定時(shí)間內(nèi)提交實(shí)驗(yàn)報(bào)告、代碼和PPT。三、YOLOv5模型原理YOLOv5主要分為輸入端，backbone、Neck和head(prediction)。backbone是NewCSP-Darknet53。Neck層為SPFF和NewCSP-PAN。Head層為YOLOv3head。YOLOv56.0版本的主要架構(gòu)如下圖所示：實(shí)驗(yàn)所需工具在開始實(shí)驗(yàn)之前，請(qǐng)確保已經(jīng)完成以下準(zhǔn)備工作：安裝Python虛擬環(huán)境（建議使用Anaconda）。安裝PyTorch和torchvision庫。下載YOLOv5源代碼包。五、實(shí)驗(yàn)步驟（以下步驟為YOLOv5安裝配置及訓(xùn)練推理的詳細(xì)步驟）。注意：在運(yùn)行YOLOv5前，先要安裝好Anaconda環(huán)境，具體操作可參考下述Anaconda3的安裝配置及使用教程（詳細(xì)過程）：/article/details/118442904。YOLOv5官方指南：/quick-start/。5.1.下載YOLOv55.1.1下載YOLOv5源碼Github地址：/ultralytics/YOLOv5命令行g(shù)itclone到本地工作目錄，等待下載完成：gitclone/ultralytics/YOLOv5YOLOv5代碼目錄架構(gòu)：5.1.2下載YOLOv5預(yù)訓(xùn)練模型可以直接采用已經(jīng)初始訓(xùn)練好的權(quán)重，不需要在本機(jī)再做訓(xùn)練。下載地址：/ultralytics/YOLOv5/releases。找到最新的release，點(diǎn)開下面的Assets下載（.pt文件就是模型的權(quán)重文件）。下載后放到Y(jié)OLOv5源碼根目錄，或新建一個(gè)weights/目錄中使用：YOLOv5共有四種預(yù)訓(xùn)練模型權(quán)重：YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x。使用不同的預(yù)訓(xùn)練模型，效果和精度不一樣，如下圖所示：其中，YOLOv5s目標(biāo)檢測(cè)速度最快，因?yàn)槠渚W(wǎng)絡(luò)參數(shù)最少，但相應(yīng)的，檢測(cè)效果相比是最差的。而YOLOv5x是檢測(cè)效果最好的，參數(shù)最多，但是運(yùn)行時(shí)間上最慢?？梢愿鶕?jù)實(shí)際需要，例如目標(biāo)檢測(cè)場(chǎng)景比較看重速度，就用YOLOv5s.pt。YOLOv5模型在GPU下的效率測(cè)試數(shù)據(jù)圖：YOLOv5模型在Coco數(shù)據(jù)集的訓(xùn)練參數(shù)圖：5.2安裝部署YOLOv5模型源碼下載完后，開始安裝YOLOv5所需模塊。命令行：pipinstall-rrequirements.txt，等待安裝完成即可。如果沒有cuda默認(rèn)安裝的pytorch-cpu版，如果有g(shù)pu可以安裝GPU版：/get-started/locally/，可以提升模型運(yùn)行速度。也可以打開看下requirements.txt的依賴包：5.3測(cè)試YOLOv5使用源碼中的Detect.py即可。（最新版還支持了直接通過Youtube的url進(jìn)行目標(biāo)檢測(cè)。）5.3.1輸入圖像測(cè)試通過detect.py對(duì)圖像進(jìn)行目標(biāo)檢測(cè)pythondetect.py--source./data/image/bus.jpg（說明：detect.py默認(rèn)使用同目錄下的YOLOv5s.pt模型，如果想用其他的權(quán)重，可以用–weights進(jìn)行指定。）然后，可以在YOLOv5/runs/detect目錄下找到模型輸出結(jié)果的文件夾：接下來，查看一下源碼自帶的bus.jpg的識(shí)別效果：5.3.2Video視頻測(cè)試官方源碼自帶沒有視頻demo，我們將待測(cè)視頻放到data目錄中即可：然后，通過detect.py對(duì)視頻進(jìn)行目標(biāo)檢測(cè)：pythondetect.py--sourcedata/video/dog1.mp4視頻Detect運(yùn)行速度有些略慢，是因?yàn)橐曨l需要先轉(zhuǎn)換為圖片，再放到模型里處理。5.3.3攝像頭測(cè)試使用本機(jī)攝像頭測(cè)試YOLOv5實(shí)時(shí)檢測(cè)：pythondetect.py--source0之后就會(huì)彈出攝像頭頁面，識(shí)別到的物體會(huì)用不同顏色的方框進(jìn)行標(biāo)識(shí)，同時(shí)上面會(huì)顯示名稱和概率（置信度）。如果通過攝像頭檢測(cè)出識(shí)別的物體會(huì)打印出來：比如下面的person、cell、phone等。至此，YOLOv5的安裝使用和測(cè)試流程都已經(jīng)成功實(shí)現(xiàn)。YOLOv5配置簡(jiǎn)單，并且識(shí)別效率和速度都是很棒的。六、在自定義數(shù)據(jù)集上運(yùn)行YOLOv5實(shí)際上，Github官網(wǎng)的預(yù)訓(xùn)練模型的識(shí)別率等也有一定缺陷，并不能很好的直接應(yīng)用在實(shí)際工程中，在大多數(shù)應(yīng)用中都需要重新調(diào)整，并基于相應(yīng)數(shù)據(jù)集訓(xùn)練適用于自己項(xiàng)目的模型。參數(shù)調(diào)優(yōu)過程一般要反復(fù)多次進(jìn)行微調(diào)-訓(xùn)練-測(cè)試，最終得出符合需求較優(yōu)的HyperPara，應(yīng)用在項(xiàng)目中。調(diào)整超參數(shù)在data/hyps/hyp.finetune.yaml：最終主要是調(diào)整lr0(學(xué)習(xí)率)為0.0030，同時(shí)修改了epoch、batch-size，部分超參數(shù)含義：lr0:0.0032#學(xué)習(xí)率lrf:0.12#余弦退火超參數(shù)(CosineAnnealing）momentum:0.843#學(xué)習(xí)率動(dòng)量weight_decay:0.00036#權(quán)重衰減系數(shù)warmup_epochs:2.0#預(yù)熱學(xué)習(xí)epochwarmup_momentum:0.5#預(yù)熱學(xué)習(xí)率動(dòng)量warmup_bias_lr:0.05#預(yù)熱學(xué)習(xí)率box:0.0296#giou損失的系數(shù)cls:0.243#分類損失的系數(shù)cls_pw:0.631#分類BCELoss中正樣本的權(quán)重obj:0.301#有無物體損失的系數(shù)obj_pw:0.911#有無物體BCELoss中正樣本的權(quán)重iou_t:0.2#標(biāo)簽與anchors的iou閾值（iou-training-threshold）當(dāng)然，針對(duì)視頻圖像識(shí)別中，移動(dòng)的物體識(shí)別率本身就比靜止圖像差，同時(shí)運(yùn)動(dòng)檢測(cè)越劇烈，偏差越大。同時(shí)還要考慮到，在測(cè)試過程中，手工拍照的數(shù)據(jù)量比較小，也可能會(huì)導(dǎo)致模型欠擬合，造成模型識(shí)別效果不良。實(shí)際圖像數(shù)據(jù)量，每個(gè)類別最好大于1500張，并且做一些圖像增強(qiáng)、變換等數(shù)據(jù)預(yù)處理技術(shù)來增加模型的魯棒性，防止過擬合。針對(duì)模型調(diào)優(yōu)的技巧，可參考官網(wǎng)的Tips：/tutorials/training-tips-bestresults/。在進(jìn)行模型測(cè)試時(shí)，無論是加載模型的速度還是對(duì)測(cè)試圖片的推理速度，都能明顯感覺到Y(jié)OLOv5速度更快，尤其是加載模型的速度，因?yàn)橥瑯拥臄?shù)據(jù)集訓(xùn)練出來的模型YOLOv5更加輕量級(jí)，模型大小減小為YOLOv3的將近四分之一。至此，YOLOv5自定義數(shù)據(jù)訓(xùn)練、測(cè)試和模型調(diào)優(yōu)都已完成。七、實(shí)驗(yàn)總結(jié)本實(shí)驗(yàn)旨在介紹和部署YOLOv5模型進(jìn)行目標(biāo)檢測(cè)任務(wù)，并評(píng)估其在自定義數(shù)據(jù)集上的性能表現(xiàn)。通過實(shí)驗(yàn)完成以下主要任務(wù)：7.1數(shù)據(jù)準(zhǔn)備(1)使用LableImg標(biāo)注工具對(duì)自定義數(shù)據(jù)集進(jìn)行標(biāo)記。(2)將標(biāo)記的數(shù)據(jù)集拆分為訓(xùn)練集和驗(yàn)證集。7.2模型訓(xùn)練(1)使用YOLOv5模型在訓(xùn)練集上進(jìn)行訓(xùn)練。(2)優(yōu)化訓(xùn)練參