README.md · chanvictoire/yolo

关于本仓库

说明
- 基础环境：YOLOv5 yolov5s
- 训练数据： HEAD-Dataset（某高校监控图 2000 张，网络收集 2400 张）
- 训练环境：租用 AutoDl 云服务器所提供的yolov5 环境 ubuntu RTX2080TI 11G
- 训练结果：训练轮数为 100 map_0.5=0.935 image
- 使用tfjs部署在网页 https://person-count.netlify.app (图片推断于本地进行,模型大小为 22M)
- 本地推断：python detect.py --weights runs/train/exp3/weights/best.pt

使用（推荐云服务器环境）

环境克隆

git clone https://gitee.com/winnerlosser/yolo.git  # 克隆
cd yolo
pip install -r requirements.txt  # 安装

数据下载已经过数据格式转换与数据筛查：阿里云盘（自解压文件）

训练

先将数据解压至该目录
本地训练需先安装cuda https://pytorch.org/get-started/previous-versions/

python train.py --data data.yaml --cfg yolo.yaml --weights yolov5s.pt --epochs 50  --batch-size 16 --device 0
  - data data/data.yaml # 训练数据集的位置，分类
  - cfg models/yolo.yaml # 训练参数 仅更改 nc
  - weights yolov5s # 预训练权重 可加快训练速度
  - epochs number # 训练轮数
  - batch-size # 该值依机器性能而定，越大所需要的gpu显存越多,以我本机为例（GTX1050 3G）仅能设置为2
  - device # cup(不推荐) | 0(单gpu训练)| 0,1,2(多gpu训练)

训练完成的结果位于 runs/train/
模型格式转换请参考 export.py 中的命令

官方

YOLOv5🚀是一个在COCO数据集上预训练的物体检测架构和模型系列，它代表了Ultralytics对未来视觉AI方法的公开研究，其中包含了在数千小时的研究和开发中所获得的经验和最佳实践。

文件

请参阅YOLOv5 Docs，了解有关训练、测试和部署的完整文件。

快速开始案例

安装

在Python>=3.7.0 的环境中克隆版本仓并安装 requirements.txt，包括PyTorch>=1.7。

git clone https://github.com/ultralytics/yolov5  # 克隆
cd yolov5
pip install -r requirements.txt  # 安装

推理

YOLOv5 PyTorch Hub 推理. 模型自动从最新 YOLOv5 版本下载。

import torch

# 模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5n - yolov5x6, custom

# 图像
img = 'https://ultralytics.com/images/zidane.jpg'  # or file, Path, PIL, OpenCV, numpy, list

# 推理
results = model(img)

# 结果
results.print()  # or .show(), .save(), .crop(), .pandas(), etc.

用 detect.py 进行推理

detect.py 在各种数据源上运行推理, 其会从最新的 YOLOv5 版本中自动下载模型并将检测结果保存到 runs/detect 目录。

python detect.py --source 0  # 网络摄像头
                          img.jpg  # 图像
                          vid.mp4  # 视频
                          path/  # 文件夹
                          'path/*.jpg'  # glob
                          'https://youtu.be/Zgi9g1ksQHc'  # YouTube
                          'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP 流

训练

以下指令再现了 YOLOv5 COCO 数据集结果. 模型和数据集自动从最新的 YOLOv5 版本中下载。YOLOv5n/s/m/l/x 的训练时间在 V100 GPU 上是 1/2/4/6/8 天（多 GPU 倍速）. 尽可能使用最大的 --batch-size, 或通过 --batch-size -1 来实现 YOLOv5 自动批处理. 批量大小显示为 V100-16GB。

python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml  --batch-size 128
                                                                 yolov5s                    64
                                                                 yolov5m                    40
                                                                 yolov5l                    24
                                                                 yolov5x                    16

教程

Integrations

Roboflow	ClearML ⭐ NEW	Comet ⭐ NEW	Deci ⭐ NEW
Label and export your custom datasets directly to YOLOv5 for training with Roboflow	Automatically track, visualize and even remotely train YOLOv5 using ClearML (open-source!)	Free forever, Comet lets you save YOLOv5 models, resume training, and interactively visualise and debug predictions	Automatically compile and quantize YOLOv5 for better inference performance in one click at Deci

Ultralytics HUB

Ultralytics HUB is our ⭐ NEW no-code solution to visualize datasets, train YOLOv5 🚀 models, and deploy to the real world in a seamless experience. Get started for Free now!

为什么选择 YOLOv5

YOLOv5-P5 640 图像 (点击扩展)

图片注释 (点击扩展)

COCO AP val 表示 mAP@0.5:0.95 在 5000 张图像的COCO val2017数据集上，在 256 到 1536 的不同推理大小上测量的指标。
GPU Speed 衡量的是在 COCO val2017 数据集上使用 AWS p3.2xlarge V100 实例在批量大小为 32 时每张图像的平均推理时间。
EfficientDet 数据来自 google/automl ，批量大小设置为 8。
复现 mAP 方法: python val.py --task study --data coco.yaml --iou 0.7 --weights yolov5n6.pt yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6.pt

预训练检查点

模型	规模 ^(像素)	mAP^{验证 0.5:0.95}	mAP^验证 0.5	速度 ^{CPU b1 (ms)}	速度 ^{V100 b1 (ms)}	速度 ^{V100 b32 (ms)}	参数 ^(M)	浮点运算 ^{@640 (B)}
YOLOv5n	640	28.0	45.7	45	6.3	0.6	1.9	4.5
YOLOv5s	640	37.4	56.8	98	6.4	0.9	7.2	16.5
YOLOv5m	640	45.4	64.1	224	8.2	1.7	21.2	49.0
YOLOv5l	640	49.0	67.3	430	10.1	2.7	46.5	109.1
YOLOv5x	640	50.7	68.9	766	12.1	4.8	86.7	205.7

YOLOv5n6	1280	36.0	54.4	153	8.1	2.1	3.2	4.6
YOLOv5s6	1280	44.8	63.7	385	8.2	3.6	12.6	16.8
YOLOv5m6	1280	51.3	69.3	887	11.1	6.8	35.7	50.0
YOLOv5l6	1280	53.7	71.3	1784	15.8	10.5	76.8	111.4
YOLOv5x6 + [TTA][tta]	1280 1536	55.0 55.8	72.7 72.7	3136 -	26.2 -	19.4 -	140.7 -	209.8 -

表格注释 (点击扩展)

所有检查点都以默认设置训练到 300 个时期. Nano 和 Small 模型用 hyp.scratch-low.yaml hyps, 其他模型使用 hyp.scratch-high.yaml.
mAP^val 值是 COCO val2017 数据集上的单模型单尺度的值。
复现方法: python val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65
使用 AWS p3.2xlarge 实例对 COCO val 图像的平均速度。不包括 NMS 时间（~1 ms/img)
复现方法: python val.py --data coco.yaml --img 640 --task speed --batch 1
TTA 测试时数据增强包括反射和比例增强.
复现方法: python val.py --data coco.yaml --img 1536 --iou 0.7 --augment

分类 ⭐ 新

YOLOv5 发布的v6.2 版本支持训练，验证，预测和输出分类模型！这使得训练分类器模型非常简单。点击下面开始尝试！

分类检查点 (点击展开)

我们在 ImageNet 上使用了 4xA100 的实例训练 YOLOv5-cls 分类模型 90 个 epochs，并以相同的默认设置同时训练了 ResNet 和 EfficientNet 模型来进行比较。我们将所有的模型导出到 ONNX FP32 进行 CPU 速度测试，又导出到 TensorRT FP16 进行 GPU 速度测试。最后，为了方便重现，我们在Google Colab Pro上进行了所有的速度测试。

模型	规模 ^(像素)	准确度 ^第一	准确度 ^前五	训练 ^{90 epochs 4xA100 (小时)}	速度 ^{ONNX CPU (ms)}	速度 ^{TensorRT V100 (ms)}	参数 ^(M)	浮点运算 ^{@224 (B)}
YOLOv5n-cls	224	64.6	85.4	7:59	3.3	0.5	2.5	0.5
YOLOv5s-cls	224	71.5	90.2	8:09	6.6	0.6	5.4	1.4
YOLOv5m-cls	224	75.9	92.9	10:06	15.5	0.9	12.9	3.9
YOLOv5l-cls	224	78.0	94.0	11:56	26.9	1.4	26.5	8.5
YOLOv5x-cls	224	79.0	94.4	15:04	54.3	1.8	48.1	15.9

ResNet18	224	70.3	89.5	6:47	11.2	0.5	11.7	3.7
ResNet34	224	73.9	91.8	8:33	20.6	0.9	21.8	7.4
ResNet50	224	76.8	93.4	11:10	23.4	1.0	25.6	8.5
ResNet101	224	78.5	94.3	17:10	42.1	1.9	44.5	15.9

EfficientNet_b0	224	75.1	92.4	13:03	12.5	1.3	5.3	1.0
EfficientNet_b1	224	76.4	93.2	17:04	14.9	1.6	7.8	1.5
EfficientNet_b2	224	76.6	93.4	17:10	15.9	1.6	9.1	1.7
EfficientNet_b3	224	77.7	94.0	19:19	18.9	1.9	12.2	2.4

表格注释 (点击扩展)

所有检查点都被 SGD 优化器训练到 90 epochs, lr0=0.001 和 weight_decay=5e-5，图像大小为 224，全为默认设置。
运行数据记录于 https://wandb.ai/glenn-jocher/YOLOv5-Classifier-v6-2。
准确度 值为ImageNet-1k数据集上的单模型单尺度。
通过python classify/val.py --data ../datasets/imagenet --img 224进行复制。
使用 Google Colab Pro V100 High-RAM 实例得出的 100 张推理图像的平均速度。
通过 python classify/val.py --data ../datasets/imagenet --img 224 --batch 1进行复制。
用export.py导出到 FP32 的 ONNX 和 FP16 的 TensorRT。
通过 python export.py --weights yolov5s-cls.pt --include engine onnx --imgsz 224进行复制。

分类使用实例 (点击展开)

训练

YOLOv5 分类训练支持自动下载 MNIST, Fashion-MNIST, CIFAR10, CIFAR100, Imagenette, Imagewoof 和 ImageNet 数据集，并使用--data 参数. 打个比方，在 MNIST 上使用--data mnist开始训练。

# 单GPU
python classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128

# 多-GPU DDP
python -m torch.distributed.run --nproc_per_node 4 --master_port 1 classify/train.py --model yolov5s-cls.pt --data imagenet --epochs 5 --img 224 --device 0,1,2,3

验证

在 ImageNet-1k 数据集上验证 YOLOv5m-cl 的准确性:

bash data/scripts/get_imagenet.sh --val  # download ImageNet val split (6.3G, 50000 images)
python classify/val.py --weights yolov5m-cls.pt --data ../datasets/imagenet --img 224  # validate

预测

用提前训练好的 YOLOv5s-cls.pt 去预测 bus.jpg:

python classify/predict.py --weights yolov5s-cls.pt --data data/images/bus.jpg

model = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov5s-cls.pt')  # load from PyTorch Hub

导出

导出一组训练好的 YOLOv5s-cls, ResNet 和 EfficientNet 模型到 ONNX 和 TensorRT:

python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --include onnx engine --img 224

chanvictoire / yolo

关于本仓库

官方

文件

快速开始案例

Integrations

Ultralytics HUB

为什么选择 YOLOv5

预训练检查点

分类 ⭐ 新

训练

验证

预测

导出

简介

发行版

贡献者

近期动态

chanvictoire / yolo .gitee-modal { width: 500px !important; }

关于本仓库

官方

文件

快速开始案例

Integrations

Ultralytics HUB

为什么选择 YOLOv5

预训练检查点

分类 ⭐ 新

训练

验证

预测

导出

简介

发行版

贡献者

近期动态

搜索帮助

chanvictoire / yolo