背景：
2020 年 6 月 10 日YOLOv5发布。YOLOv5 的表现要优于谷歌开源的目标检测框架 EfficientDet，其在检测精度和速度上相比与yolov4都有较大的提高， YOLOv5 能在 Tesla P100 上实现 140 FPS 的快速检测；相较而言，YOLOv4 的基准结果是在 50 FPS 速度下得到的，也就是说，在实际项目应用中，YOLOV5速度已经接近yolov4的3倍。
其主要特点是：1）.小目标的检测精度上有明显的提高，2）.能自适应锚框计算，3）.yolov5s的模型十几M大小，速度很快，能满足各种实际生成的现场部署，甚至可以在嵌入式上进行部署，YOLOv5 的模型文件大小仅有 27 MB。对比一下：使用 darknet 架构的 YOLOv4 有 244 MB。这说明 YOLOv5 实在特别小，比 YOLOv4 小近 90%，而在准确度指标上，YOLOv5 与 YOLOv4 相当。4）.具有数据增强功能，随机缩放，裁剪，拼接等功能。
总结起来，YOLOv5 速度非常快，有非常轻量级的模型大小，同时在准确度方面也比较高，属于各方面都比较优秀的目标检测模型。
课程简介
《龙哥手把手教你学视觉》系列课程一直是发烧友学院的LabVIEW视觉系列王牌课程，也是labview视觉工程师入门提高必学经典全集，自上线以来，购买人数超过2000余人。
《龙哥手把手教你学视觉》系列课程分为4个篇章：视觉篇，运动篇，双ccd与通用视觉框架篇，深度学习篇。课程涵盖labview视觉编程入门到精通的全系列知识：数据类型，程序结构，数据通讯，视觉助手，模板匹配，尺寸测量，外观检测，工业案例，运动控制卡编程，对中，9点标定，双mark仿射变换，点胶锁螺丝应用，通用视觉框架（免编程），labview调用tensorflow训练，一键训练，测试模型，导出模型，调用模型，openvino优化加速模型，labview调用yolov4训练，调用模型，等labview视觉编程设计从零基础开始的全过程。
根据工业视觉外观检测的速度和准确性要求，龙哥视觉结合labview编程平台推出了labview+yolov5训练和模型步数的课程，希望学员学习后能在实际工业项目中落地应用。
本次课程将重点讲解《YOLOv5》篇，让没有任何深度学习基础的小白学员，通过视频课程能动手配置好yolov5环境，能利用自己的数据集训练模型，能利用labview部署yolov5导出的模型，能利用摄像头动态检测输出目标检测结果。
为什么要学习
有些labview视觉工程师并不缺少labview视觉的相关知识，可是为什么有些外观缺陷检测项目总是达不到理想的效果呢？要么漏检率太高，要么就误判率太高，归根到底，我们缺少一种利用高纬度数学工具来解决低维检测问题的理想工具，这时候就体现了方法的重要性。
Yolov5所采用的训练集提供的类别有80 类，有超过33 万张图片，其中20 万张有标注，整个数据集中个体的数目超过150 万个，其目标检测精度达到30%-50%（tensorflow中的ssd约为20%），足以说明该模型的分类检测能力很强。
将yolov5应用于工业外观检测将具有极大的前景，例如下图这种复杂背景下的缺陷检测也可以实现理想的检测效果。
在本套视频，有别于常见的深度学习教程以理论为主进行全面讲解，以没有任何深度学习理论基础的学员学习角度，以实际应用为目标，讲解如何设计一个完整的yolov5工业外观检测，手把手教学员如何下载yolov5相关工具，如何安装相关环境、以及教大家一步一步训练模型，调用模型，labview封装yolov5相关vi。
视频共有20多小节，每个视频是侧重于某一个或者某方面知识点，但是他们又相互关联，互为基础，通过做一个个实际的操作，让大家快速的成长为一名有经验的能够独立做labview调用yolov5项目的研发工程师或高级工程师。
课程讲师
龙哥
龙哥，使用LabVIEW开发了大量视觉检测、运动控制、数据采集方面软件，具有丰富的非标自动化设备经验。授权16项labview视觉软件著作权；编写了《Labview视觉算子详解》一书；开发了《labview机器视觉实用教程》全套2000分钟视频教程，《龙哥手把手教你学视觉-视觉篇》，《龙哥手把手教你学视觉-运动篇》，《龙哥手把手教你学视觉-双ccd篇》，《龙哥手把手教你学视觉-通用视觉框架篇》，《Labview懒人教程-小白入门》累计学员达2000多人，累计学习人次4万余次；在电子发烧友等论坛发帖浏览量达10万人次；优酷发布的免费学习视频，累计播放量达2万余次，在LabVIEW视觉应用领域，首次利用LabVIEW开发了“UVisionBuilder1.0”免编程视觉通用软件，目前已被多家自动化设备公司采购，累计销售量200多套。
本套餐主要讲解内容
1.yolov5训练环境配置
2.Yolov5训练与测试
3.Yolov5模型导出
4.Yolov5模型openvion优化
5.Labview中一键训练yolov5模型
6.Labview封装yolov5模型调用库子vi
7.Labview调用yolov5模型进行摄像头实时检测
学习本课程后，你可以获得
1. 快速掌握yolov5在labview中应用的关键操作；
2. 知晓yolov5训练技巧、如何标注以及训练参数的设置；
3. 掌握yolov5训练的模型效果评价技巧；
4. 掌握yolov5环境配置的最快捷的方法；
5. 深入yolov5中train.py各个参数的含义；
6. 掌握yolov5的coco.yaml和yolov5.yaml参数设置方法；
7. 掌握yolov5的trian.py和detect.py的调用方法；
8. 学会分析外观检测案例中缺陷特征，确定标注方法中；
9. 能够熟练运用labview将xml标注文件转化为yolo的label标注文件；
10. 掌握利用labview生成coco.yaml和yolov5.yaml文件的方法；
11. 掌握labview调用控制台指令训练yolov5数据模型；
12. 学到labview封装yolov5（龙哥独家封装的cpu加速）函数库vi。
13.掌握labview调用yolov5模型对图片进行推理检测
14.掌握labview调用yolov5模型对摄像头动态检测
适合学习群体
1、对labview视觉技术和深度学习yolov5研发感兴趣的同学（含电子信息类的大学生，工程研发技术人员，视觉爱好者等）；
2、想积累labview复杂外观检测设计研发经验，找到属于自己理想的高薪工作的人群；
3、技术到了瓶颈，想要技能提升，得到加薪或者快速升迁的人群；
4、想快速成为一名高端labview视觉研发工程师，从事令人羡慕的研发类工作的人群。
课程包含内容
总时长500+分钟
目录
1.安装anaconda3并配置yolov5虚拟环境 21'
2.安装pytorch和yolov5依赖环境 22'
3.手动方式训练yolov5的流程介绍 13
4.手动训练cat_dog数据集 13
5.cat_dog训练界面分析模型测试 8
6.labview编写读取xml标注文件信息 42
7.labview编写获取所有xml标注文件names 23
8.labview编写如何生成train_test文件 15
9.labview编写将xml标注文件转为yolo格式labels文件 32
10.labview生成train_test后测试yolov5训练效果 11
10.labview生成train_test后测试yolov5训练效果1 2
11.labview编写如何生成yolov5训练配置文件coco.yaml 17
12.labview编写如何生成yolov5训练配置文件yolov5.yaml 12
13.labview编写yolov5训练界面：获取路径和刷新目录子vi 40
14.labview编写yolov5训练界面：新建目录 20
15.labview编写yolov5训练界面：生成配置文件-开始训练子vi 25
16.labview编写yolov5训练界面：测试模型子vi 12
17.labview+yolov5训练案例：pin引脚缺陷检测配置 6
18.abview+yolov5训练案例：pin引脚缺陷训练测试 15
19.labview+yolov5训练案例：药丸缺陷训练测试 18
20.labview+yolov5训练案例：裂纹缺陷训练文件配置 31
21.labview+yolov5训练案例：裂纹缺陷训练测试 11
22.labview+yolov5训练案例：开关缺陷训练测试 7
23.labview调用yolov5模型：openvino软件安装环境配置 17
24.labview调用yolov5模型：load_model,run_model等函数封装vi 50
25.labview调用yolov5模型：摄像头动态检测logo标识案例 23
注意事项：
龙哥手把手教你学视觉-LabVIEW深度学习简明教程，分为【tensorflow篇】+【yolov4篇】+【YOLOV5篇】3个篇章
各篇章必要的硬件配置：
【tensorflow篇】
训练：intel cpu或gpu：N卡1060，20系列可用，30系列显卡不可用
调用：intel cpu
【yolov4篇】
训练：gpu：N卡1060，20系列可用，30系列显卡不可用（后续课程升级后将可用）
调用：gpu：N卡1060，20系列可用，30系列显卡不可用（后续课程升级后将可用）
【YOLOV5篇】
训练：intel cpu或gpu：N卡1060，20系列可用，30系列显卡（待测试）
调用：intel cpu
如果觉得本文对你有帮助，请帮忙转发，谢谢！
