YOLOv5目标检测

文章目录

软硬件环境

ubuntu 18.04 64bit
anaconda with 3.7
nvidia gtx 1070Ti
cuda 10.1
pytorch 1.5
YOLOv5

视频看这里

此处是youtube的播放链接，需要科学上网。喜欢我的视频，请记得订阅我的频道，打开旁边的小铃铛，点赞并分享，感谢您的支持。

前言

YOLOv4还没有退热，YOLOv5就已经来了！

6月9日，Ultralytics公司开源了YOLOv5，离上一次YOLOv4发布不到50天，不过这一次的YOLOv5是基于PyTorch实现的，而不是之前版本的darknet！

根据官方给出的数字，YOLOv5的速度最快可以达到每秒140帧（FPS），但是权重文件只有YOLOv4的1/9，而且准确度更高。本次的发布的YOLOv5并不是一个单独的模型，而是一个模型家族，包括了YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，要求Python 3.7和PyTorch 1.5以上版本。

关于YOLOv5这个版本，大家可以看看知乎中的讨论，链接放在文末的参考资料中

安装GPU环境

请参考之前的文章

安装pytorch的GPU版本

来到官网 https://pytorch.org/get-started/locally/，根据自己的环境，进行选择，网站会给出相应的安装命令。我这里的环境是linux、pip、cuda 10.1

yolov5 object detection

conda create -n pytorch python=3.7
conda activate pytorch
pip install torch==1.5.0+cu101 torchvision==0.6.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html
pip install ipython

安装完pytorch后，我们在ipython中查看安装的结果

(pytorch) xugaoxiang@1070Ti:~/Works/github/yolov5$ ipython
Python 3.7.7 (default, May  7 2020, 21:25:33)
Type 'copyright', 'credits' or 'license' for more information
IPython 7.15.0 -- An enhanced Interactive Python. Type '?' for help.

In [1]: import torch

In [2]: torch.cuda.is_available()
Out[2]: True

说明GPU版本的pytorch安装成功

YOLOv5测试

首先还是把源码clone到本地

git clone https://github.com/ultralytics/yolov5.git
pip install -U -r requirements.txt

权重文件可以通过以下方式下载

下载权重文件后将权重文件保存在weights文件夹下

下面就可以开始测试了

首先使用项目中自带的测试图片看看效果，命令是

python detect.py

默认情况下，脚本会去读取inference/images下的所有图片并进行目标检测，带有目标框的结果图片保存在inference/out下。如果是只检测某一张图片的话，可以执行命令python detect.py --source test.jpg

yolov5 object detection

为了对比测试，我们把YOLO之前版本的测试图片也跑了一遍

yolov5 object detection

上图中马匹的检出率跟YOLOv4是一样的，满意

yolov5 object detection

上图中右上角的垃圾桶没有被检出，这点不及YOLOv4

detect.py脚本同样支持视频的检测，包括本地摄像头、本地视频文件、m3u8播放地址和rtsp实时流，地址都是跟在参数--source后面

本地摄像头使用下面的命令

python detect.py --source 0

yolov5 object detection

基于rtsp的网络摄像头使用下面的命令

python detect.py --source "rtsp://user:password@192.168.1.100:554/cam/realmonitor?channel=1&subtype=1"

yolov5 object detection

可以看到，使用1070Ti显卡，fps在80左右

如果你有多块显卡，可以选择具体使用哪块显示进行检测，0表示第一块，1表示第二块，cpu表示不使用gpu

python detect.py --device 0

detect.py中的参数很多，可以使用python detect.py -h进行查看

(base) xugaoxiang@1070Ti:~/Works/github/yolov5$ python detect.py -h
usage: detect.py [-h] [--weights WEIGHTS] [--source SOURCE] [--output OUTPUT]
                 [--img-size IMG_SIZE] [--conf-thres CONF_THRES]
                 [--iou-thres IOU_THRES] [--fourcc FOURCC] [--device DEVICE]
                 [--view-img] [--save-txt] [--classes CLASSES [CLASSES ...]]
                 [--agnostic-nms] [--augment]

optional arguments:
  -h, --help            show this help message and exit
  --weights WEIGHTS     model.pt path
  --source SOURCE       source
  --output OUTPUT       output folder
  --img-size IMG_SIZE   inference size (pixels)
  --conf-thres CONF_THRES
                        object confidence threshold
  --iou-thres IOU_THRES
                        IOU threshold for NMS
  --fourcc FOURCC       output video codec (verify ffmpeg support)
  --device DEVICE       cuda device, i.e. 0 or 0,1,2,3 or cpu
  --view-img            display results
  --save-txt            save results to *.txt
  --classes CLASSES [CLASSES ...]
                        filter by class
  --agnostic-nms        class-agnostic NMS
  --augment             augmented inference

以上测试都是基于yolov5s.pt权重文件，其它的权重请自行测试，指定--weights参数