基于YOLOv5框架如何訓(xùn)練一個(gè)自定義對(duì)象檢測(cè)模型
安裝與測(cè)試
最近YOLOv5最新更新升級(jí)到v6.x版本，工程簡(jiǎn)便性有提升了一大步，本教程教你基于YOLOv5框架如何訓(xùn)練一個(gè)自定義對(duì)象檢測(cè)模型，首先需要下載對(duì)應(yīng)版本：
https://github.com/ultralytics/yolov5/releases/tag/v6.1
鼠標(biāo)滾到最下面下載源碼zip包：
https://github.com/ultralytics/yolov5/archive/refs/tags/v6.1.zip
下載完成之后解壓縮到：
D:pythonyolov5-6.1
首先運(yùn)行下面命令行完成依賴庫(kù)的安裝：
python detect.py --weights yolov5s.pt --source dataimageszidane.jpg
運(yùn)行結(jié)果如下：
數(shù)據(jù)集準(zhǔn)備與制作
自己百度收集了一個(gè)無人機(jī)與飛鳥的數(shù)據(jù)集，其中訓(xùn)練集270張圖像，測(cè)試集26張圖像。
使用labelImg工具完成標(biāo)注，工具下載地址：
https://gitee.com/opencv_ai/opencv_tutorial_data/tree/master/tools
YOLOv5要求的數(shù)據(jù)集目錄結(jié)構(gòu)如下：
Left top right bottom
轉(zhuǎn)換為
Center_x, center_y, width, height
并歸一化到0~1之間，這部分我寫了一個(gè)腳本來完成label標(biāo)簽的生成，把xml的標(biāo)注信息轉(zhuǎn)換為YOLOv5的labels文件，這樣就完成了數(shù)據(jù)集制作。最后需要?jiǎng)?chuàng)建一個(gè)dataset.ymal文件，放在與data文件夾同一層，它的內(nèi)容如下：# train and val datasets (image directory or *.txt file with image paths)train: uav_bird_training/data/images/train/val: uav_bird_training/data/images/valid/# number of classesnc: 2# class namesnames: ['bird', 'drone']
三：模型訓(xùn)練
制作好數(shù)據(jù)集之后，模型訓(xùn)練就成為一件很簡(jiǎn)單事情，一條命令行搞定。運(yùn)行下面的命令行：
python train.py --img 640 --batch 4 --epochs 25 --data uav_bird_trainingdataset.yaml --weights yolov5s.pt
其中uav_bird_training文件夾里是制作好的數(shù)據(jù)集。這樣就開始訓(xùn)練，訓(xùn)練過程中可以通過tensorboard來查看可視化的結(jié)果，
PR曲線說明訓(xùn)練效果還錯(cuò)！
不同框架與硬件平臺(tái)推理比較
YOLOv5的6.x版本支持不同框架模型導(dǎo)出與推理，看下圖：
測(cè)試，分別截圖如下：-OpenCV DNN-OpenVINO-ONNXRUNTIME-TensorRT
OpenCV DNN推理速度
OpenVINO平臺(tái)上的推理速度
ONNXRUNTIME GPU推理速度
TensorRT框架部署-FP32版本模型推理統(tǒng)計(jì)：
YOLOv5的6.x版本，是支持TensorRT 量化到FP16模型直接導(dǎo)出的，但是不支持INT8量化生成，所以自己實(shí)現(xiàn)了導(dǎo)出量化INT8版本，測(cè)試結(jié)果如下：
python detect.py --weights uav_bird_training/uav_bird_int8.engine --data uav_bird_training/dataset.yaml --source D:/bird/bird_fly.mp4
TensorRT框架部署-INT8版本模型推理統(tǒng)計(jì)：
最終比較：
番外篇：C++推理與比較
使用C++部署時(shí)候，前后處理都改成了基于OpenCV 完成，使用CPU完成前后處理，OpenVINO+CPU運(yùn)行速度截圖如下：
OpenCV DNN + CUDA版本推理
TensorRT-FP32模型推理速度
TensorRT-INT8模型推理速度
最后把自定義訓(xùn)練導(dǎo)出的模型轉(zhuǎn)換為TensorRT Engine文件之后，部署到了我的一塊Jetson Nano卡上面，實(shí)現(xiàn)了邊緣端的部署，有圖有真相：
審核編輯 ：李倩
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請(qǐng)聯(lián)系本站處理。
舉報(bào)投訴
-
檢測(cè)模型
+關(guān)注
關(guān)注
0文章
17瀏覽量
7306 -
數(shù)據(jù)集
+關(guān)注
關(guān)注
4文章
1208瀏覽量
24689
原文標(biāo)題：YOLOv5新版本6.x 自定義對(duì)象檢測(cè)-從訓(xùn)練到部署
文章出處：【微信號(hào)：CVSCHOOL，微信公眾號(hào)：OpenCV學(xué)堂】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
在RK3568教學(xué)實(shí)驗(yàn)箱上實(shí)現(xiàn)基于YOLOV5的算法物體識(shí)別案例詳解
種非常流行的實(shí)時(shí)目標(biāo)檢測(cè)模型，它提供了出色的性能和精度。YOLOv5可以分為三個(gè)部分，分別是：
1、主干特征提取網(wǎng)絡(luò)(Backbone)
2、加強(qiáng)特征提取網(wǎng)絡(luò)(FPN)
3、分類器與回
發(fā)表于 12-03 14:56
YOLOv10自定義目標(biāo)檢測(cè)之理論+實(shí)踐
概述 YOLOv10 是由清華大學(xué)研究人員利用 Ultralytics Python 軟件包開發(fā)的，它通過改進(jìn)模型架構(gòu)并消除非極大值抑制（NMS）提供了一種新穎的實(shí)時(shí)目標(biāo)檢測(cè)方法。這些
在樹莓派上部署YOLOv5進(jìn)行動(dòng)物目標(biāo)檢測(cè)的完整流程
卓越的性能。本文將詳細(xì)介紹如何在性能更強(qiáng)的計(jì)算機(jī)上訓(xùn)練YOLOv5模型，并將訓(xùn)練好的模型部署到樹莓派4B上，通過樹莓派的攝像頭進(jìn)行實(shí)時(shí)動(dòng)物目
RK3588 技術(shù)分享 | 在Android系統(tǒng)中使用NPU實(shí)現(xiàn)Yolov5分類檢測(cè)-迅為電子
RK3588 技術(shù)分享 | 在Android系統(tǒng)中使用NPU實(shí)現(xiàn)Yolov5分類檢測(cè)-迅為電子
NVIDIA NeMo加速并簡(jiǎn)化自定義模型開發(fā)
如果企業(yè)希望充分發(fā)揮出 AI 的力量，就需要根據(jù)其行業(yè)需求量身定制的自定義模型。
YOLOv5的原理、結(jié)構(gòu)、特點(diǎn)和應(yīng)用
YOLOv5（You Only Look Once version 5）是一種基于深度學(xué)習(xí)的實(shí)時(shí)目標(biāo)檢測(cè)算法，它屬于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的范疇。下面我將詳細(xì)介紹
口罩佩戴檢測(cè)算法
，口罩佩戴檢測(cè)算法利用YOLOv5模型框架，修改其相關(guān)配置文件和檢測(cè)參數(shù)，并采用數(shù)據(jù)增強(qiáng)和Dropout技術(shù)防止過擬合。實(shí)驗(yàn)結(jié)果驗(yàn)證了
如何在IDF框架中使用自定義的靜態(tài)庫(kù)和動(dòng)態(tài)庫(kù)？
基于商業(yè)需要，我們需要在 ESP-IDF v4.0-rc 這個(gè)版本的IDF中開發(fā)與使用自定義庫(kù)，有如下問題請(qǐng)協(xié)助：
1如何利用IDF框架編寫自定義靜態(tài)庫(kù)和動(dòng)態(tài)庫(kù)？
2如何在IDF框架中
發(fā)表于 06-25 07:57
用yolov5的best.pt導(dǎo)出成onnx轉(zhuǎn)化成fp32 bmodel后在Airbox上跑，報(bào)維度不匹配怎么處理？
用官方的模型不出錯(cuò)，用自己的yolov5訓(xùn)練出來的best.pt導(dǎo)出成onnx轉(zhuǎn)化成fp32 bmodel后在Airbox上跑，出現(xiàn)報(bào)錯(cuò)：
linaro@bm1684:~/yolov5
發(fā)表于 05-31 08:10
鴻蒙ArkUI實(shí)例：【自定義組件】
組件是 OpenHarmony 頁(yè)面最小顯示單元，一個(gè)頁(yè)面可由多個(gè)組件組合而成，也可只由一個(gè)組件組合而成，這些組件可以是ArkUI開發(fā)框架自
OpenCV4.8 C++實(shí)現(xiàn)YOLOv8 OBB旋轉(zhuǎn)對(duì)象檢測(cè)
YOLOv8框架在在支持分類、對(duì)象檢測(cè)、實(shí)例分割、姿態(tài)評(píng)估的基礎(chǔ)上更近一步，現(xiàn)已經(jīng)支持旋轉(zhuǎn)對(duì)象
YOLOv8+PyQT5打造細(xì)胞計(jì)數(shù)與識(shí)別應(yīng)用說明
YOLOv8對(duì)象檢測(cè)模型基于自定義數(shù)據(jù)集訓(xùn)練紅白細(xì)胞檢測(cè)
YOLOv8實(shí)現(xiàn)旋轉(zhuǎn)對(duì)象檢測(cè)
YOLOv8框架在在支持分類、對(duì)象檢測(cè)、實(shí)例分割、姿態(tài)評(píng)估的基礎(chǔ)上更近一步，現(xiàn)已經(jīng)支持旋轉(zhuǎn)對(duì)象
基于YOLOv8實(shí)現(xiàn)自定義姿態(tài)評(píng)估模型訓(xùn)練
Hello大家好，今天給大家分享一下如何基于YOLOv8姿態(tài)評(píng)估模型，實(shí)現(xiàn)在自定義數(shù)據(jù)集上，完成自定義姿態(tài)評(píng)估
工商網(wǎng)監(jiān)
評(píng)論