介紹

在本文中，將向你解釋如何使用 Yolo v5 算法檢測和分類60＋個(gè)不同類型的道路交通標(biāo)志。

我們將從非常基礎(chǔ)的開始，涵蓋每個(gè)步驟，如準(zhǔn)備數(shù)據(jù)集、訓(xùn)練和測試等。在本文中，我們將使用 Windows 10系統(tǒng)。

讓我們更多地討論 YOLO 及其架構(gòu)。

YOLO 是You Only Look Once的首字母縮寫。我們使用的是Ultralytics于2020年6月推出的版本 5，它是目前可用的最先進(jìn)的目標(biāo)識(shí)別算法。

YOLOv5 是一種新穎的卷積神經(jīng)網(wǎng)絡(luò)（CNN），可以非常準(zhǔn)確地實(shí)時(shí)檢測對(duì)象。這種方法使用單個(gè)神經(jīng)網(wǎng)絡(luò)來處理整個(gè)圖片，然后將其分成多個(gè)部分并預(yù)測每個(gè)部分的邊界框和概率。這些邊界框由預(yù)期概率加權(quán)。

該方法“只看一次”圖像，因?yàn)樗鼉H在一次前向傳播通過神經(jīng)網(wǎng)絡(luò)后進(jìn)行預(yù)測。然后在非最大抑制之后傳遞檢測到的項(xiàng)目（這確保對(duì)象檢測算法只識(shí)別每個(gè)對(duì)象一次）。

它的架構(gòu)主要由三部分組成，即：

1． Backbone： Backbone 主要用于從輸入圖像中提取關(guān)鍵特征。CSP（Cross Stage Partial Networks）在 YOLO v5 中用作主干，以從輸入圖像中提取豐富的有用特征。

2． Neck： Neck 主要用于創(chuàng)建特征金字塔。當(dāng)涉及到對(duì)象縮放時(shí)，特征金字塔有助于模型泛化。它有助于識(shí)別不同大小和比例的同一物體。特征金字塔在幫助模型有效地處理之前看不見的數(shù)據(jù)方面是非常有益的。其他模型，如FPN、BiFPN和PANet，使用各種各樣的特征金字塔方法。PANet 在 YOLO v5 中用作 Neck 來獲取特征金字塔。

3． Head： 模型Head主要負(fù)責(zé)最后的檢測步驟。它使用錨框來構(gòu)建具有類別概率、對(duì)象性分?jǐn)?shù)和邊界框的最終輸出向量。

YOLO v5 模型的頭部與之前的 YOLO V3 和 V4 版本相同。

Yolo v5 的優(yōu)缺點(diǎn)

· 它比 YOLOv4 小 88％（27 MB vs 244 MB）

· 它比 YOLOv4 快 180％（140 FPS vs 50 FPS）

· 它在同一任務(wù)上大致與 YOLOv4 一樣準(zhǔn)確（0．895 mAP vs 0．892 mAP）

· 但主要的問題是YOLOv5沒有像其他YOLO版本一樣發(fā)布官方論文。此外，YOLO v5 仍在開發(fā)中，我們會(huì)經(jīng)常收到Ultralytics 的更新，未來開發(fā)者可能會(huì)更新一些設(shè)置。

目錄

1.在 Windows 10 中設(shè)置虛擬環(huán)境。

2.克隆 Yolo v5 的 GitHub 倉庫。

3.數(shù)據(jù)集的準(zhǔn)備和預(yù)處理。

4.訓(xùn)練模型。

5.預(yù)測和現(xiàn)場測試。

創(chuàng)建虛擬環(huán)境

我們將首先通過在 Windows 命令提示符中運(yùn)行該命令來設(shè)置虛擬環(huán)境

1．安裝Virtualenv（運(yùn)行以下命令安裝虛擬環(huán)境）

＄ pip install virtualenv

2．創(chuàng)建環(huán)境（運(yùn)行以下命令創(chuàng)建虛擬環(huán)境）

＄ py －m venv YoloV5＿VirEnv

3．使用該命令激活它（運(yùn)行以下命令以激活該環(huán)境）

＄ YoloV5＿VirEnvScriptsactivate

你也可以使用停用它（如果要停用該環(huán)境，請(qǐng)運(yùn)行以下命令）

＄ deactivate

設(shè)置 YOLO

激活虛擬環(huán)境后，克隆這個(gè)由Ultralytics創(chuàng)建和維護(hù)的 GitHub 存儲(chǔ)庫：

＄ git clone https：／／github．com／ultralytics／yolov5

＄ cd yolov5

目錄結(jié)構(gòu)

yolov5／

．github／

data／

models／

utils／

．dockerignore

．gitattributes

．gitignore

．pre－commit－config．yaml

CONTRIBUTING．md

detect．py

Dockerfileexport．py

hubconf．py

LICENSE

README．md

requirements．txt

setup．cfg

train．py

tutorial．ipynb

val．py

安裝必要的庫：首先，我們將安裝做圖像處理所需的所有必要的庫（OpenCV ＆Pillow），圖像分類 （Tensorflow＆PyTorch） ， 進(jìn)行矩陣操作（Numpy）

＄ pip install －r requirements．txt

數(shù)據(jù)集的準(zhǔn)備

從該鏈接下載完整的標(biāo)記數(shù)據(jù)集：

然后解壓 zip 文件并將其移動(dòng)到 yolov5／ 目錄。

1144images＿dataset／

train／

test／

在yolov5／目錄中創(chuàng)建一個(gè)名為 data．yaml 的文件 ，并將以下代碼粘貼到其中。

該文件將包含你的標(biāo)簽以及訓(xùn)練和測試數(shù)據(jù)集的路徑。

我們將使用總共 77 個(gè)不同的類

使用 Yolo v5 訓(xùn)練模型

現(xiàn)在，運(yùn)行該命令以最終訓(xùn)練你的數(shù)據(jù)集。你可以根據(jù) PC 的規(guī)格更改批次大小。訓(xùn)練時(shí)間將取決于你電腦的性能，最好使用 Google Colab。

你還可以訓(xùn)練不同版本的 YOLOv5 算法，

所有這些都將采用不同的計(jì)算能力，并提供 FPS（每秒幀數(shù)）和精度的不同組合。

在本文中，我們將使用YOLOv5s版本，因?yàn)樗�是最簡單的�?/p>

＄ python train．py －－data data．yaml －－cfg yolov5s．yaml －－batch－size 8 －－name Model

現(xiàn)在內(nèi)部運(yùn)行 runs／train／Model／，你將找到最終訓(xùn)練好的模型。

best．pt 包含用于最終檢測和分類的最終模型。

results．txt 文件將包含你在每個(gè)時(shí)期實(shí)現(xiàn)的準(zhǔn)確度和損失的摘要。

其他圖像包含一些繪圖和圖表，可用于更多分析。

Model Yolo v5 的測試

將你的 yolov5／目錄移到別處，并克隆那個(gè)存儲(chǔ)庫。

＄ git clone https：／／github．com／aryan0141／RealTime＿Detection－And－Classification－of－TrafficSigns

＄ cd RealTime＿Detection－And－Classification－of－TrafficSigns

目錄結(jié)構(gòu)

現(xiàn)在復(fù)制我們在上面訓(xùn)練的模型并將其粘貼到此目錄中。

注意：我已經(jīng)在Model／目錄中包含了一個(gè)經(jīng)過訓(xùn)練的模型，但你也可以將其替換為經(jīng)過訓(xùn)練的模型。移動(dòng)到代碼所在的目錄中。

＄ cd Codes／

將你的視頻或圖像放在＊＊Test＊目錄中。我還提供了一些示例視頻和圖像供你參考。

用于測試圖像

＄ python detect．py －－source ．．／Test／test1．jpeg －－weights ．．／Model／weights／best．pt

用于測試視頻

＄ python detect．py －－source ．．／Test／vidd1．mp4 －－weights ．．／Model／weights／best．pt

對(duì)于網(wǎng)絡(luò)攝像頭

＄ python detect．py －－source 0 －－weights ．．／Model／weights／best．pt

你的最終圖像和視頻存儲(chǔ)在Results／目錄中。

示例圖像

每秒幀數(shù)（FPS）取決于你使用的 GPU。我在 Nvidia MX 350 2GB 顯卡上獲得了大約 50FPS

GitHub

這是 Github， 可以找到本文中使用的完整代碼。

       原文標(biāo)題 : 如何使用 Yolo v5 對(duì)象檢測算法進(jìn)行自定義對(duì)象檢測