目录
- 准备
- 源文件和预训练文件下载
- python版本以及torch版本说明:
- 文件目录说明
- 测试文件
- detect.py使用
- 测试单张图片
- 测试一个文件夹里的图片
准备
源文件和预训练文件下载
下载链接:https://github.com/ultralytics/yolov5/releases/tag/v6.2
源文件和预训练模型如下:
python版本以及torch版本说明:
- python:3.9.3
- pytorch:
因为我是cuda 11.8,所以是安装了这个版本的。但不是只有该版本才能使用
v5-6.2
。由于6.2版本是2022年发布的,所以相近几年的都可以
文件目录说明
如图:
测试文件
demo2.jpg
detect.py使用
测试单张图片
基本的命令:
python detect.py --source ./demo/demo2.jpg --weights YOLOv5s.pt --project "runs/detect/demo1" --device 0 --view-img --save-txt
参数解析:
-
--device
:配置GPU加速,第一个GPU设备。 -
指定输出结果的文件夹:
。现在已经不能指定这个参数了。而是配合--output ./demo/demo1
project
参数以及name
来代替,及project
/name
。结果路径保存的地方runs/detect/demo1/exp
。还有一个参数exist_ok
,这个参数指定的话,就会存在exp文件里。如果不指定,在此运行,结果会存在exp+int(i)这样,递增的文件夹里,如:
-
--view-img
:虽然会显示图片,但是会一闪而过的。 -
--save-txt
:这里是保存的目标检测对应的标签,以及对象框的信息,如:
-
--save-crop
:保存裁剪后的预测框的图片: -
--save-conf
:保存预测的置信度到save-txt制定的txt文件里效果如下:最后添加的0.734整好是预测框的置信度。
-
--visualize
:这个关键字就比较有意思了,制定这个关键字,可以可视化detect时每个步骤捕捉到的特征。然后保存在指定的project
/name
里。比如:
由于detect时,使用的是yolov5s的模型结构,在tensorboard中查看这个模型的结构,整好也是
ConV[0]
-ConV[23]
。
首先,查看stage0_Conv_features.png
:
然后查看一下Covn[0]
的结构:
是上面方框是吻合的。
-
--augment
:增强推理。精确度会上升,但是可能会导致--visualize
关键字失效。
detect.py
里就是一个run()
以及一个命令行解析函数parse_opt
。命令行参数与run中的关键参数就差在连接符上。比如命令行参数exist-ok
,而run里对应的关键字参数是`exist_ok
- 其他参数:后面有研究再更新…
测试一个文件夹里的图片
直接将--source
制定为文件夹即可。其他没有任何不同