项目简介：

代码地址：
github地址:https://github.com/RichardoMrMu/yolov5-fire-smoke-detect gitee地址:https://gitee.com/mumuU1156/yolov5-fire-smoke-detect 欢迎start或提出你的issue、改进建议。
本项目使用yolov5实现自然状态中火源或者烟雾的检测，使用c++实现，并用tensorrt加速，尝试了不同大小的模型，同时使用int8加速，在Jetson Xavier nx上整个项目的推理时间在30ms左右，即33FPS的速度。
You can see video play in BILIBILI, or YOUTUBE.

如果你想从头开始尝试训练模型，你可以查看 yolov5-fire-smoke-detect-python这个仓库，并阅读他的readme，帮助你是用python去训练一个自己的烟雾和火焰检测模型，并使用c++去部属到边缘设备上。

效果

python 烟雾目标检测_c++

如果你想在预训练模型上进行微调，可以尝试yolov5的官方pretrained模型，然后在对应数据集上进行训练，根据教程将pytorch的模型转为tensorrt使用的engine文件。

Speed

Backbone

before TensorRT

TensortRT(detection)

FPS(detection)

Yolov5s-640-float16

100ms

60-70ms

14 ~ 18

Yolov5m-640-float16

120ms

70-75ms

13 ~ 14

Yolov5s-640-int8

30-40ms

25 ~ 33

Yolov5m-640-int8

50-60ms

16 ~ 20

Achieve and Experiment

  • Int8.
  • yolov5-s
  • yolov5-m

Comming soon


DataSet

本案例使用数据集包含MIT协议互联网下载图片和MIT协议公开数据集，共有6675张图片，分别检测烟雾和火灾

数据集图片格式是VOC数据格式，VOC数据是每个图像文件对应一个同名的xml文件，xml文件内包含对应图片的基本信息，比如文件名、来源、图像尺寸以及图像中包含的物体区域信息和类别信息等。

xml文件中包含以下字段：

  • filename，表示图像名称。
  • size，表示图像尺寸。包括：图像宽度、图像高度、图像深度。
<size>
    <width>500</width>
    <height>375</height>
    <depth>3</depth>
</size>
  • object字段，表示每个物体。包括:

标签

说明

name

物体类别名称

pose

关于目标物体姿态描述（非必须字段）

truncated

如果物体的遮挡超过15-20％并且位于边界框之外，请标记为truncated（非必须字段）

difficult

难以识别的物体标记为difficult（非必须字段）

bndbox子标签

(xmin,ymin) 左上角坐标，(xmax,ymax) 右下角坐标，

将这6675张图片按9:1比例随机切分，切分后包含6008张图片的训练集和667张图片的验证集，提供处理好的数据集，下载地址。包含以下文件夹和文件：images,annotations,labels.txt, train_list.txt和 val_list.txt，分别图片、xml标注文件、存储类别信息、训练样本列表、验证样本列表。训练样本列表和验证样本列表的每一行格式为：图片路径 对应的xml路径，例如images/fire_00348.jpg annotations/fire_00348.xml。

最终数据集文件组织结构为：

├── dataset
	├── annotations
  │   ├── fire_000001.xml
  │   ├── fire_000002.xml
  │   ├── fire_000003.xml
  │   |   ...
  ├── images
  │   ├── fire_000001.jpg
  │   ├── fire_000003.jpg
  │   ├── fire_000003.jpg
  │   |   ...
  ├── label_list.txt
  ├── train.txt
  └── valid.txt

项目使用

这个项目中，需要检测的yolov5，我选择yolov5s模型，并通过yolov5s.pt->yolov5s.wts->yolov5s.engine，获取engine file。同时你也可以参考tensorrtx official readme。

0.Python Code

你可以下载这个yolov5-fire-smoke-detect-python的代码进行训练，推理等操作，也可以直接下载模型。
python仓库的操作步骤，请参看该仓库的README.md。

1. requirement

请注意，下列流程，我在Jetson Xavier nx和Jetson nano上完整实现过，你同样可以在ubuntu系统上实现，如果想在windows上测试，需要你自己摸索。

Jetson nano or Jetson Xavier nx
Jetpack 4.5.1
python3 with default(jetson nano or jetson xavier nx has default python3 with tensorrt 7.1.3.0 )
tensorrt 7.1.3.0
torch 1.8.0
torchvision 0.9.0
torch2trt 0.3.0
onnx 1.4.1
opencv-python 4.5.3.56
protobuf 3.17.3
scipy 1.5.4

2. 下载yolov5-fire-smoke-detect

如果你已经有了yolov5s.engine，那么仅下载{yolov5-fire-smoke-detect}仓库，然后修改{yolov5-deepsort-tensorrt}/src/main.cpp中
char* yolo_engine = "";为自己模型的位置 ,执行编译链接即可。如果没有这个文件，请参考3往后的步骤。

// 下载c++项目代码
git clone https://github.com/RichardoMrMu/yolov5-fire-smoke-detect
// {}代表该项目的绝对路径
cd {yolov5-fire-smoke-detect}
mkdir build
// 修改{yolov5-fire-smoke-detect}/src/main.cpp中deepsort
//char* yolo_engine = ""; 为自己模型的位置
// frame = capture.open("");将open中换成mp4所在的路径，或者如果使用usb摄像头，就写成capture.open(0)
// 然后执行编译链接即可
cmake ..
make
// make成功后，会在build文件夹下生成一个yolosort二进制文件 运行即可
./yolofire // 运行二进制文件

3. 将pytorch的模型转为tensorrt支持的模型文件

因为python自身速度的问题和pytorch原生模型速度的问题，如果将检测部分的yolov5模型和track模块特征提取的模型转为tensorrt，速度会快10倍左右。

  1. 下载yolov5官方代码和模型

请注意，我下面使用的yolov5代码版本是yolov5-5，即v5.0版本，所以，如果你想自己训练模型替换engine file，请确保的yolov5代码版本是v5.0。

// 下载v5.0
git clone -b v5.0 https://github.com/ultralytics/yolov5.git
cd yolov5
mkdir weights
cd weights
// download https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt
// 这里使用yolov5s模型
wget https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt
  1. 下载并配置tensorrt
git clone https://github.com/wang-xinyu/tensorrtx
  1. 将pytorch的yolov5s.pt模型文件转为wst文件
    将tensorrtx下的get_wts.py文件拷贝到yolov5文件夹下，然后将下载好的或者训练好的yolov5s.pt模型转换为wts模型
cp tensorrtx/gen_wts.py yolov5/
cd yolov5 
python3 gen_wts.py -w ./weights/yolov5s.pt -o ./weights/yolov5s.wts
// a file 'yolov5s.wts' will be generated.

你可以在 yolov5/weights/找到yolov5s.wts模型

  1. 编译tensorrtx/yolov5项目并获取tensorrt engine file 此处请注意，如果你是自己训练的模型，那么要将yololayer.h中的CLASS_NUM，INPUT_H,INPUT_W修改为自己的参数。即文件的20,21,22行。因为此处是二分类，即火焰和烟，因此CLASS_NUM为2。
cd tensorrtx/yolov5
// update CLASS_NUM as 2 in yololayer.h 
mkdir build
cd build
cp {ultralytics}/yolov5/yolov5s.wts {tensorrtx}/yolov5/build
cmake ..
make
// yolov5s
sudo ./yolov5 -s yolov5s.wts yolov5s.engine s
// test your engine file
sudo ./yolov5 -d yolov5s.engine ../samples

然后你就得到了yolov5.engine文件，你需要将这个文件放到我的项目中，你可以创建一个{yolov5-fire-smoke-detect}/resources文件夹放模型。

cd {yolov5-fire-smoke-detect}
mkdir resources
cp {tensorrtx}/yolov5/build/yolov5s.engine {yolov5-fire-smoke-detect}/resources

经过以上的步骤，获得了yolov5.engine，将这个文件放到相应的位置。即可编译运行该项目。

INT8 Quantization int8模型量化

int8量化和之前的float16有些许差别，tensorrt的int8量化需要图片的calibration，正如tensorrtx readme所说。
对于一般的yolo模型训练，你可能需要下载coco_calid.zip，你可以通过这个google drive url or BAIDUYUN — 密码是a9wh . 随后解压到{project}/build/.
然后你需要将yolov5.cpp文件中第十行的USE_FLOAT16 改成USE_INT8。
然后重新编译运行：

cmake ..
make 
// yolov5s
sudo ./yolov5 -s yolov5s.wts yolov5s-int8.engine s
// testyour engine file
sudo ./yolov5 -d yolov5s-int8.engine ../samples

这样你就得到了int8量化的yolov5模型了，你可以尝试一下，是否加速了。

如果你遇到问题，请在github项目yolov5-fire-smoke-detect的issue中提问题，或者在这篇文章下评论。