使用yolov5实现图像识别_图像识别yolo

开始之前

你应当先克隆这个仓库

git clone https://github.com/ultralytics/yolov5 # clone
1

下载完毕后，进入克隆的仓库目录

cd yolov5
1

下载依赖

pip install -r requirements.txt # install
1

下载数据集

这里有个数据集，为了节省训练时间，文件不是很大。结尾处我会推荐几个大型数据集下载地址。

数据集下载
提取码：crnr

解压后，你会看到这几个文件夹：

标记数据集

可以登录 https://www.makesense.ai/ 网站去标记数据，当然，你也可以使用其他标记网站。

选择数据集目录，然后点击Object Detection，其中Image recognition主要用于图像分类。

注意注意注意 ⚠️ ⚠️ ⚠️ ：请牢记你导入的图片，推荐你新建一个目录单独存储你需要标记的图片文件，这一步很关键，不然一会图片标签对应不上，你将白忙活一场！！！

这里我们可以首先添加几个标签，比如我想训练它识别苹果，香蕉，那你就可以设置两个标签，分别为：apple,banana

根据我们的数据集，这里我们选择设置一个名为plastic的标签名，我使用的数据集是下面这个目录。

如果你想同时训练这些所有类型的目录，你可以把他们集合起来，放在同一个目录当中然后导入到这个标记网站。

标记你需要识别的部分，然后点击选择标签。

标记过程非常无聊，很多次我想睡觉。这里我只标记了200个，理想情况下，需要更多的数据，如果你的时间充沛或者对识别结果要求很高，请尽量多标记一些数据，过程是很辛苦的。

以此类推，等你标记完所有数据，点击Export Annotations。

导出之后，我们将看到一个包含很多txt文件的文件夹。

plastic1.txt 文件就是代表 plastic1.jpg 图片的标记文件。以此类推。

其中的 0 就是代表我们的标签，一会训练的时候，你可以设置多个标签，比如设置 0 代表塑料，1代表纸箱等。

剩下那几个代表我们标记图像在整个图片当中的位置。

整理文件

这里我创建了一个名为 mydata 的文件夹。你应当记住你的文件路径。

文件夹内包含了两个文件夹，分别为 train，val。

train 文件夹内又包含了 images，labels两个文件夹。

当然，val 文件内也需要这个两个文件夹。

1. images：我们标记的图片
2. labels：标记位置的 txt 文件

新建 yaml 文件

我这里新建了名为 mydataset.yaml,你应当记住你的文件路径。

# 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: mydata  # dataset root dir
train: shuju  # train images (relative to 'path') 128 images
val: shuju  # val images (relative to 'path') 128 images
# test:  # test images (optional)

names:
  0: plastic
1
2
3
4
5
6
7
8

• path: 数据集的根目录。所有其他路径（如训练集和验证集）都是相对于这个路径的。
• train: 训练数据集的路径。
• val: 验证数据集的路径
• test: 可选字段，指定测试数据集的路径。

这里配置文件的意思就代表 mydata/shuju。

举个例子，如果你的 mydata（包含了train,val的文件夹） 目录在 /aaa/bbb/ccc/mydata，那你的配置文件应该如下。

# 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: /aaa/bbb/ccc/mydata  # dataset root dir
train: train  # train images (relative to 'path') 128 images
val: val  # val images (relative to 'path') 128 images
# test:  # test images (optional)

names:
  0: plastic
1
2
3
4
5
6
7
8

它就代表： /aaa/bbb/ccc/mydata/train. /aaa/bbb/ccc/mydata/val.

这里的 0 就是我们标签，如果你当时在一个图片内标记了好几个物体。例如，你不仅标记塑料还标记了纸，那你的配置文件就应该为：

names:
  0: plastic
  1: paper
1
2
3

相应的你的 txt 文件也会自动出现多个标签，如果你标记数据时同时在一张图片内标记了多个物体的话。

开始训练

这个 mydataset 就是你配置文件的地址。

python train.py --img 640 --epochs 3 --data mydataset.yaml --weights yolov5s.pt
1

这里使用了 yolov5s

模型选择

执行训练的时候使用了 --weights yolov5s.pt ，这是一种模型，你可以参考下图具体选择，如我们选择 yolov5x ，就可以使用 --weights yolov5x.pt ，推荐使用 yolov5s，除非你要求的准确度非常高，不然你需要花费非常长的时间和足够的硬件支持来训练它。

训练完成

训练好的模型在 runs/train/exp**/weights/best.pt

使用模型进行识别

这里的 best.pt 是你训练的模型地址。 –source 后面是你需要识别的图片地址。

python detect.py --weights best.pt --img 640 --source plastic184.jpg
1

自定义模型下载

如果你不想进行从头训练模型，可以下载这个已经训练好的模型进行上一步的 测试模型进行预测。

分类模型下载

提取码：vvd6

数据集下载地址分享

1:数据集下载地址1

2:数据集下载地址2

问题

如果运行当中出现问题，欢迎咨询。