YOLOV5目标检测模型识别人脸_yolov5 人脸检测

一、模型下载并配置环境

去GitHub下载YOLOV5的官方源码（https://github.com/ultralytics/yolov5），然后在pychram终端输入pip install -r requirements.txt命令安装所需的依赖库。

二、数据集准备并标注

网上下载白敬亭和赵丽颖两人图片，
使用LabelImg软件对人物头部使用矩形框
选择并打上标签BaiJingTing或ZhaoLiYing。
标注完会生成相关标注文件，再将原
图像和标注文件按照8：2划分为训练
集和验证集。

三、调整模型参数

修改data目录下的相应的voc.yaml文件。箭头1中需要将训练和测试的数据集的路径填上；箭头2中需要检测的类别数，我这里是识别白敬亭和赵丽颖，所以这里填写2；最后箭头3中填写需要识别的类别的名字（必须是英文，否则会乱码识别不出来）。

修改models目录下的yolov5s.yaml文件中的相应参数，只需要修改如图中的数字就好了，这里是识别两个类别。

四、调整训练数据时的相关参数

首先是模型的训练轮次epochs，为了节省时间且能反应计算机性能和结果准确度，我们选择100轮，batch-size就是一次往GPU塞多少张图片了,决定了显存占用大小,workers指数据装载时cpu所使用的线程数。后两者需要根据自己电脑的CPU和GPU大小进行合理设置，以达到最佳性能。

如果workers设置不对，会出现GPU显存溢出的报错

通过设置device参数，可以选择训练所使用的是GPU还是CPU。

五、CPU训练过程

CPU训练完成，100轮次花费约6个小时

六、GPU训练过程

GPU训练完成，100轮次训练花费0.84小时（约50分钟）。

七、检测结果展示

给定一张图片，能够识别出是白敬亭还是赵丽颖，并给出其头部位置和识别置信度

八、CPU与GPU分析

GPU（图像处理器）和CPU（中央处理器）在设计上的主要差异在于GPU有更多的运算单元（如图中绿色的ALU），而Control和Cache单元不如CPU多，这是因为GPU在进行并行计算的时候每个运算单元都是执行相同的程序，而不需要太多的控制。Cache单元是用来做数据缓存的，CPU可以通过Cache来减少存取主内存的次数，也就是减少内存延迟。GPU中Cache很小或者没有，因为GPU可以通过并行计算的方式来减少内存延迟。因此CPU的Cahce设计主要是实现低延迟，Control主要是通用性，复杂的逻辑控制单元可以保证CPU高效分发任务和指令。
所以CPU擅长逻辑控制，是串行计算，而GPU擅长高强度计算，是并行计算。GPU加速是通过大量线程并行实现的。而CPU则是串行操作，需要很强的通用性，主要起到统管和分配任务的作用。