resnet50目标检测fps 目标检测yolov5

转载

互联网小墨风 2024-08-21 10:36:00

文章标签 resnet50目标检测fps 深度学习 pytorch 图像处理目标跟踪 文章分类 计算机视觉人工智能

一.简介

YOLOV4出现之后不久，YOLOv5横空出世。YOLOv5在YOLOv4算法的基础上做了进一步的改进，检测性能得到进一步的提升。虽然YOLOv5算法并没有与YOLOv4算法进行性能比较与分析，但是YOLOv5在COCO数据集上面的测试效果还是挺不错的。大家对YOLOv5算法的创新性半信半疑，有的人对其持肯定态度，有的人对其持否定态度。在我看来，YOLOv5检测算法中还是存在很多可以学习的地方，虽然这些改进思路看来比较简单或者创新点不足，但是它们确定可以提升检测算法的性能。其实工业界往往更喜欢使用这些方法，而不是利用一个超级复杂的算法来获得较高的检测精度。本文主要将对YOLOv5检测算法应用到自己的场景中，适合小白入门。

YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示：

1>输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；

2> 基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构；

3> Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构；

4> Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的DIOU_nms。

resnet50目标检测fps 目标检测yolov5_深度学习

二.开发环境

2.1安装Anaconda

Anaconda官网：https://link.zhihu.com/?target=https%3A//www.anaconda.com/

安装完成后打开cmd：

输入conda -V，查看是否安装成功：出现版本号即为安装成功。

resnet50目标检测fps 目标检测yolov5_图像处理_02

注：安装Anaconda的目的是为了可以配置好多独立的开发环境，不同项目互不影响。

2.2 创建虚拟环境

这里我们为yolov5单独创建一个环境，输入： conda create -n pytorch17 python=3.7

安装完成后，输入： activate pytorch17 即可激活环境

安装pytorch

yolov5最新版本需要pytorch1.6版本以上，因此我们安装pytorch1.7版本。由于我事先安装好了CUDA10.1，因此在环境中输入

pip install torch1.7.0+cu101 torchvision0.8.1+cu101 torchaudio===0.7.0 -f https://download.pytorch.org/wh

注：查看自己电脑CUDA是否可用

resnet50目标检测fps 目标检测yolov5_深度学习_03

这里显示True表明正常安装。

三.模型训练

3.1代码下载

源码地址：https://link.zhihu.com/?target=https%3A//github.com/ultralytics/yolov5

下载后解压，在目录内打开cmd并激活环境

输入 pip install -r requirements.txt 安装依赖库

3.2数据准备

首先我们要对自己的数据进行标注，标注的工具LabelImg，如果是windows用户的话，可以直接下载可执行文件，labelImg的下载地址以及使用，可以参考博客windows下使用labelImg标注图像。

在根目录下建立一个VOCData文件夹，再建立两个子文件;其中，jpg文件放置在VOCData/images下，xml放置在VOCData/Annotations下这里我使用的是自己整理的交通指示信号灯照片，标签划分为12类speed limits、go straight、no enter、turn right、turn left、driving around the island、go straight and turn left、go straight and turn right、no turn right、no turn left、road narrows on right、road narrows on left。

想要数据集小伙伴可以私信。