手把手实现基于YOLOv5识别模型_yolov5部署到服务器进行识别源码

一、YOLOV5源码准备

1.1 源码下载

（1）在github或者gitee搜索关键字YOLOv5即可,我使用的是github
链接: link

YOLOV5的源码下载好解压之后就如下所示

备注：下载好源码之后，需要下载预训练的权重模型，这里可以参考这个博客链接: link

1.2 虚拟环境配置

做好1.1步骤之后，我们需要对虚拟环境进行配置。不想使用虚拟环境的这步可以跳过。
虚拟环境的配置需要使用conda虚拟环境配置。
one step下载Anoconda
two step： conda create -n env_name python=“python version”
three step: conda activate

1.3 YOLO所需环境和支持包安装

(1)环境配置好后，打开我们刚刚下载的yolov5源码（提前解压好），打开requirements.txt
文件，里面有YOLOV5运行所需要的支持库以及相应的版本要求。

# YOLOv5 requirements
# Usage: pip install -r requirements.txt

# Base ------------------------------------------------------------------------
gitpython>=3.1.30
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.1
Pillow>=7.1.2
psutil  # system resources
PyYAML>=5.3.1
requests>=2.23.0
scipy>=1.4.1
thop>=0.1.1  # FLOPs computation
torch>=1.7.0  # see https://pytorch.org/get-started/locally (recommended)
torchvision>=0.8.1
tqdm>=4.64.0
# protobuf<=3.20.1  # https://github.com/ultralytics/yolov5/issues/8012

# Logging ---------------------------------------------------------------------
tensorboard>=2.4.1
# clearml>=1.2.0
# comet

# Plotting --------------------------------------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export ----------------------------------------------------------------------
# coremltools>=6.0  # CoreML export
# onnx>=1.12.0  # ONNX export
# onnx-simplifier>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn<=1.1.2  # CoreML quantization
# tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev  # OpenVINO export

# Deploy ----------------------------------------------------------------------
setuptools>=65.5.1 # Snyk vulnerability fix
# tritonclient[all]~=2.24.0

# Extras ----------------------------------------------------------------------
# ipython  # interactive notebook
# mss  # screenshots
# albumentations>=1.0.3
# pycocotools>=2.0.6  # COCO mAP
# roboflow
# ultralytics  # HUB https://hub.ultralytics.com

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51

由于不同的Ubuntu的版本所带的python版本不一样，而yolov5对python的版本需求也是不一样的，所以我们需要自己在创建的conda虚拟环境里面安装自己合适的python的版本【要求python大于3.7】

(2)安装python的对应版本
conda activate 你的虚拟环境，不切换表示在base环境.
在开始安装Python之前，请在系统上安装一些必需的软件包。登录到您的Ubuntu系统并执行以下命令：
sudo apt update
sudo apt install software-properties-common
使用Apt-Get安装Python 3.9
Apt软件包管理器提供了在Ubuntu系统上安装Python 3.9的简单方法。请按照以下步骤操作：
打开系统上的终端，然后为系统配置Deadsnakes PPA。
sudo add-apt-repository ppa:deadsnakes/ppa
在Ubuntu系统上添加ppa后，更新apt缓存并在Ubuntu上安装Python 3.9。
sudo apt update
sudo apt install python3.9
等待安装完成。通过执行以下命令检查Python版本：
python3.9 -V
至此，Python 3.9已安装在Ubuntu系统上并可以使用

(3)安装支持包，所需版本在上述的requirement.txt

# s一起安装的命令
pip3 install -r requirements.txt
#s 上述如果出现问题可以单独安装
# s先安装下面三个，免得安装库时报错
sudo apt-get install cmake
sudo pip3 install scikit-build
sudo pip3 install --upgrade setuptools && python3 -m pip install --upgrade pip3

sudo pip3 install matplotlib==3.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

sudo pip3 install numpy==1.19.5 -i https://pypi.tuna.tsinghua.edu.cn/simple

sudo pip3 install opencv-python==4.2.0.32 -i https://pypi.tuna.tsinghua.edu.cn/simple


sudo pip3 install Pillow==8.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

sudo pip3 install PyYAML==5.3.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

pip3 install scipy==1.4.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

sudo pip3 install torchvision==0.8.2 -i https://pypi.tuna.tsinghua.edu.cn/simple
	（先torchvision，很有可能会自动下载torch 1.7.1哈）
sudo pip3 install torch==1.7.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

sudo pip3 install  tqdm -i https://pypi.tuna.tsinghua.edu.cn/simple

sudo pip3 install tensorboard==2.4.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

sudo pip3 install seaborn==0.11.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
会检测pandas>=0.23，scipy>=1.0  下载最新版pandas-1.1.5 python-dateutil-2.8.2 scipy-1.5.4 

sudo pip3 install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple
# tips 如果pip或者pip3指令无法使用的话，我们需要安装pip 和pip3
sudo apt install python-pip  pip 下载
sudo apt install python3-pip pip3 下载


验证：
pip --version
pip3 --version

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

小tips
**
1、pip是python的包管理工具，pip和pip3版本不同，都位于Scripts\目录下：
2、如果系统中只安装了Python2，那么就只能使用pip。
3、如果系统中只安装了Python3，那么既可以使用pip也可以使用pip3，二者是等价的。
4、如果系统中同时安装了Python2和Python3，则pip默认给Python2用，pip3指定给Python3用。
重要：虚拟环境中，若只存在一个python版本，可以认为在用系统中pip和pip3命令都是相同的
因此用如下命令行来配置：
sudo pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
也可以根据requirements.txt内容一个一个库分开下载安装：
sudo pip3 install matplotlib==3.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple**

二、YOLOV5的运行

2.1 yolov5自带的数据运行

在做好前面的步骤之后，我们就可以运行YOLOv5的模型效果了。
为了便于展示，这里我们使用的是基础环境（base环境）

(base) mawei@ubuntu:~/Downloads/yolov50-6.0$ python3 detect.py --weights ./yolov5s.pt
# 输出结果在run文件夹的exp里面
1
2

2.2训练我们自己的数据

（1）制作自己的数据集
从网上下载一些你需要的数据集图片，比如这里我下载的是口罩检测的数据集，因为我要做口罩检测的模型。

备注：口罩数据集越大越好，标签越准确越好，训练轮数越多越好。
（2）打标签

标签打好之后保存的xml的格式

我们需要将xml格式转换为yolov5可以识别的txt文件格式，这里可以自行搜索xml转换为txt文件的程序。

import os
import xml.etree.ElementTree as ET

# xml文件存放目录(修改成自己的文件名)
input_dir = r'G:\XmlToTxt-master\VOC\Annotations'

# 输出txt文件目录（自己创建的文件夹）
out_dir = r'G:\\XmlToTxt-master\VOC\txt'

class_list = []


# 获取目录所有xml文件
def file_name(input_dir):
    F = []
    for root, dirs, files in os.walk(input_dir):

        for file in files:
            # print file.decode('gbk')    #文件名中有中文字符时转码
            if os.path.splitext(file)[1] == '.xml':
                t = os.path.splitext(file)[0]
                F.append(t)  # 将所有的文件名添加到L列表中
    return F  # 返回L列表


# 获取所有分类
def get_class(filelist):
    for i in filelist:
        f_dir = input_dir + "\\" + i + ".xml"
        in_file = open(f_dir, encoding='UTF-8')
        filetree = ET.parse(in_file)
        in_file.close()
        root = filetree.getroot()
        for obj in root.iter('object'):
            cls = obj.find('name').text
            if cls not in class_list:
                class_list.append(cls)


def ConverCoordinate(imgshape, bbox):
    # 将xml像素坐标转换为txt归一化后的坐标
    xmin, xmax, ymin, ymax = bbox
    width = imgshape[0]
    height = imgshape[1]
    dw = 1. / width
    dh = 1. / height
    x = (xmin + xmax) / 2.0
    y = (ymin + ymax) / 2.0
    w = xmax - xmin
    h = ymax - ymin

    # 归一化
    x = x * dw
    y = y * dh
    w = w * dw
    h = h * dh

    return x, y, w, h


def readxml(i):
    f_dir = input_dir + "\\" + i + ".xml"

    txtresult = ''

    outfile = open(f_dir, encoding='UTF-8')
    filetree = ET.parse(outfile)
    outfile.close()
    root = filetree.getroot()

    # 获取图片大小
    size = root.find('size')
    width = int(size.find('width').text)
    height = int(size.find('height').text)
    imgshape = (width, height)

    # 转化为yolov5的格式
    for obj in root.findall('object'):
        # 获取类别名
        obj_name = obj.find('name').text

        obj_id = class_list.index(obj_name)
        # 获取每个obj的bbox框的左上和右下坐标
        bbox = obj.find('bndbox')
        xmin = float(bbox.find('xmin').text)
        xmax = float(bbox.find('xmax').text)
        ymin = float(bbox.find('ymin').text)
        ymax = float(bbox.find('ymax').text)
        bbox_coor = (xmin, xmax, ymin, ymax)

        x, y, w, h = ConverCoordinate(imgshape, bbox_coor)
        txt = '{} {} {} {} {}\n'.format(obj_id, x, y, w, h)
        txtresult = txtresult + txt

    # print(txtresult)
    f = open(out_dir + "\\" + i + ".txt", 'a')
    f.write(txtresult)
    f.close()


# 获取文件夹下的所有文件
filelist = file_name(input_dir)

# 获取所有分类
get_class(filelist)

# 打印class
print(class_list)

# xml转txt
for i in filelist:
    readxml(i)

# 在out_dir下生成一个class文件
f = open(out_dir + "\\classes.txt", 'a')
classresult = ''
for i in class_list:
    classresult = classresult + i + "\n"
f.write(classresult)
f.close()


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122

转换成功之后，我们需要把数据分为训练集和验证集。
训练集用于训练模型，生成合适的参数和权重文件。
验证集用于对训练好模型的性能进行验证和统计，给出AUC，ROC，查全率，查准率等。
（3）训练集和验证集的划分格式

data(你的数据集）
    -------train
        ------images(图片文件）
        ------labels（标注文件）
   --------val(验证集）
        ------images(图片文件）
        ------labels（标注文件）
        
1
2
3
4
5
6
7
8

说明：images里面是图片文件，labels里面是对应图片中标注物体的类别和坐标
如：0 0.4669354838709677 0.23925501432664756 0.18225806451612903 0.3123209169054441

（4）开始制作自己的yaml文件
这里我建立的mask.yaml文件，保存在data文件中

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path:  /home/mawei/Downloads/yolov5-6.0/data/kouzhao # dataset root dir，根文件的绝对路径
train: ./train/images  # train images (relative to 'path')，训练集图片相对于根文件路径的相对路径
val: ./val/images   # val images (relative to 'path'),验证集图片相对于根文件路径的相对路径
test:  # test images (optional)，测试集合路径，可以选或者不选

# Classes
nc: 2  # number of classes，你需要分的类，这里我是分2类，戴口罩和不带口罩
names: ['mask','unmask']  # class names,所分类的名字，mask 和unmask
1
2
3
4
5
6
7
8
9

说明：其中：
path：数据集的根目录
train：训练集与path的相对路径
val：验证集与path的相对路径
nc：类别数量，因为这个数据集只有一个类别（fire），nc即为1。
names：类别名字
（5）修改模型配置文件
因为我们使用的是原始的yaml文件作为我们预训练模型配置文件的，这样子我们可以减少我们的训练时间。我们在这里可以直接修改model里面自带的yolov5s.yaml文件。需要把其中的nc改成2即可。

（6）开始训练
做好前面几步之后，我们就可以开始训练了。
第一方法我们可以输入以下指令，开始训练。

python train.py --data mask.yaml --cfg yolov5s.yaml --weights yolov5s.pt --epoch 100 --batch-size 8 --device cpu

1
2

其中 --data：表示你自己写的配置文件
–cfg ：需要迁移学习的配置文件
–weoghts:权重文件
–epoch:训练轮数
–device ：cpu还是gpu
–batch:一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点

第二方法
打开PycharmIDE，打开train文件。
输入：

--weights yolov5s.pt --data data/mask.yaml --workers 1 --batch-size 8 
1

然后点击运行train文件即可

以上两种方法都可以对自己的数据集进行训练。
(7)训练结果的检查
训练模型的指标结果在run/train/exp里面

可以看到，我使用的第二种方法进行训练的，所以trainnatch0.jpg里面是8张图片一起的。而验证集没有指定，所以是16张图片一起的。


(8)模型使用

 # 检测摄像头
 python detect.py  --weights runs/train/weights/best.pt --source 0  # webcam
 # 检测图片文件
  python detect.py  --weights runs/train/weights/best.pt --source file.jpg  # image 
 # 检测视频文件
   python detect.py --weights runs/train/weights/best.pt --source file.mp4  # video
 # 检测一个目录下的文件
  python detect.py --weights runs/train/weights/best.pt path/  # directory
 # 检测网络视频
  python detect.py --weights runs/train/weights/best.pt 'https://youtu.be/NUsoVlDFqZg'  # YouTube video
 # 检测流媒体
  python detect.py --weights runs/train/weights/best.pt 'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream                            

1
2
3
4
5
6
7
8
9
10
11
12
13

备注
不同的模型训练出来的权重文件是不一样的

Usage - formats:
    $ python path/to/detect.py --weights yolov5s.pt                 # PyTorch
                                         yolov5s.torchscript        # TorchScript
                                         yolov5s.onnx               # ONNX Runtime or OpenCV DNN with --dnn
                                         yolov5s.xml                # OpenVINO
                                         yolov5s.engine             # TensorRT
                                         yolov5s.mlmodel            # CoreML (macOS-only)
                                         yolov5s_saved_model        # TensorFlow SavedModel
                                         yolov5s.pb                 # TensorFlow GraphDef
                                         yolov5s.tflite             # TensorFlow Lite
                                         yolov5s_edgetpu.tflite     # TensorFlow Edge TPU
1
2
3
4
5
6
7
8
9
10
11

福利连接：
链接1: link
链接2 link