深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码) |
您所在的位置：网站首页 › 基于yolov5改进模型 › 深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码) |
深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码)
|
深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码)
目录 深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码) 1. 前言 2. 车辆检测数据集说明 （1）车辆检测数据集 （2）自定义数据集 3. 基于YOLOv5的车辆检测模型训练 （1）YOLOv5安装 （2）准备Train和Test数据 （3）配置数据文件 （4）配置模型文件 （5）重新聚类Anchor（可选） （6）开始训练 （7）可视化训练过程 （8）常见的错误 4. Python版本车辆检测效果 5. Android版本车辆检测效果 6.项目源码下载 1. 前言本篇博客，我们将手把手教你搭建一个基于YOLOv5的车辆目标检测项目。目前，基于YOLOv5s的车辆平均精度平均值mAP_0.5=0.57192，mAP_0.5:0.95=0.41403，基本满足业务的性能需求。另外，为了能部署在手机Android平台上，本人对YOLOv5s进行了模型轻量化，开发了一个轻量级的版本yolov5s05_416和yolov5s05_320，在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。 先展示一下Python版本车辆检测Demo效果：  
【尊重原创，转载请注明出处】https://panjinquan.blog.csdn.net/article/details/128099672 更多项目《智能驾驶 车牌检测和识别》系列文章请参考： 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704209智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704242智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704276智能驾驶 红绿灯检测（一）《红绿灯(交通信号灯)数据集》：https://blog.csdn.net/guyuealian/article/details/128222850智能驾驶 红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128240198智能驾驶 红绿灯检测（三）《Android实现红绿灯检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128240334智能驾驶 车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：https://blog.csdn.net/guyuealian/article/details/127907325 智能驾驶 车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128099672 智能驾驶 车辆检测（三）《Android实现车辆检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128190532 2. 车辆检测数据集说明 （1）车辆检测数据集目前收集了约10W+的车辆检测数据集：UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集: 关于车辆检测数据集使用说明和下载，详见另一篇博客说明：《UA-DETRAC BITVehicle车辆检测数据集(含下载地址)》 （2）自定义数据集如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤： 采集图片，建议不少于200张图片使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub生成训练集train.txt和验证集val.txt文件列表修改engine/configs/voc_local.yaml的train和val的数据路径重新开始训练
训练Pipeline采用YOLOv5: https://github.com/ultralytics/yolov5 , 原始代码训练需要转换为YOLO的格式，不支持VOC的数据格式。为了适配VOC数据，本人新增了LoadVOCImagesAndLabels用于解析VOC数据集，以便正常训练。另外，为了方便测试，还增加demo.py文件，可支持对图片,视频和摄像头的测试。 Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应 matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 Pillow PyYAML>=5.3.1 scipy>=1.4.1 torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.41.0 tensorboard>=2.4.1 seaborn>=0.11.0 pandas thop # FLOPs computation pybaseutils==0.6.5项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）： 项目开发使用教程和常见问题和解决方法视频教程：1 手把手教你安装CUDA和cuDNN(1)视频教程：2 手把手教你安装CUDA和cuDNN(2)视频教程：3 如何用Anaconda创建pycharm环境视频教程：4 如何在pycharm中使用Anaconda创建的python环境 （2）准备Train和Test数据下载车辆检测数据集，总共约10W+的图片：UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集
考虑到UA-DETRAC车辆检测数据集比较大，其训练的模型的检测效果相对比较好，因此后续以UA-DETRAC车辆检测数据集为示例，说明训练过程。其他数据集训练，请根据自己环境，适当修改即可。 （3）配置数据文件 修改训练和测试数据的路径：engine/configs/voc_local.yaml注意数据路径分隔符使用【/】,不是【\】项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！ # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] # 数据路径 path: "" # dataset root dir # 注意数据路径分隔符使用【/】,不是【\】 # 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！ train: - "D:/path/to/UA-DETRAC/DETRAC-VOC/DETRAC-train-voc/train.txt" - "D:/path/to/UA-DETRAC/DETRAC-VOC/DETRAC-test-voc/test.txt" # 做模型性能测试时，测试集不要加入，避免指标有歧义 val: - "D:/path/to/UA-DETRAC/DETRAC-VOC/DETRAC-test-voc/test.txt" test: # test images (optional) data_type: voc # 1.设置类别个数，和要训练的类别名称，ID号从0开始递增 nc: 4 # number of classes names: { 'car': 0, 'bus': 1, 'van': 2,'others': 3 } # 2.如果你想合并几个类别进行训练，比如将'[car','bus','van']看作一类，others看作另一类，则 #nc: 2 # number of classes #names: { 'car': 0, 'bus': 0, 'van': 0,'others': 1 } # 3.如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别 #nc: 1 # number of classes #names: { "unique": 0 } 如果你想合并几个类别进行训练，比如将'[car','bus','van']看作一类，others看作另一类，则修改engine/configs/voc_local.yaml： nc: 2 # number of classes names: { 'car': 0, 'bus': 0, 'van': 0,'others': 1 } 如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别 nc: 1 # number of classes names: { "unique": 0 } （4）配置模型文件官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。从性能来看，yolov5s05比yolov5s快5多倍，而mAP下降了10%（0.57→0.47），对于手机端，这精度勉强可以接受。 下面是yolov5s05和yolov5s的参数量和计算量对比： 模型input-sizeparams(M)GFLOPsmAP0.5yolov5s640×6407.216.50.57192yolov5s05416×4161.71.80.47022yolov5s05320×3201.71.10.44788 （5）重新聚类Anchor（可选）官方yolov5s的Anchor是基于COCO数据集进行聚类获得（详见models/yolov5s.yaml文件） 对于yolov5s05的Anchor，由于输入大小640缩小到320，其对应的Anchor也应该缩小一倍： 一点建议： 官方yolov5s的Anchor是基于COCO数据集进行聚类获得，不同数据集需要做适当的调整，其最优Anchor建议重新进行聚类 。当然你要是觉得麻烦就跳过，不需要重新聚类Anchor，这个影响不是特别大。如果你需要重新聚类，请参考engine/kmeans_anchor/demo.py文件 （6）开始训练整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。 修改训练超参文件： data/hyps/hyp.scratch-v1.yaml （可以修改训练学习率，数据增强等方式，使用默认即可）Linux系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可) #!/usr/bin/env bash #--------------训练yolov5s-------------- # 输出项目名称路径 project="runs/yolov5s_640" # 训练和测试数据的路径 data="engine/configs/voc_local.yaml" # YOLOv5模型配置文件 cfg="yolov5s.yaml" # 训练超参数文件 hyp="data/hyps/hyp.scratch-v1.yaml" # 预训练文件 weights="engine/pretrained/yolov5s.pt" python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 640 --workers 4 --project $project #--------------训练轻量化版本yolov5s05_416-------------- # 输出项目名称路径 project="runs/yolov5s05_416" # 训练和测试数据的路径 data="engine/configs/voc_local.yaml" # YOLOv5模型配置文件 cfg="yolov5s05_416.yaml" # 训练超参数文件 hyp="data/hyps/hyp.scratch-v1.yaml" # 预训练文件 weights="engine/pretrained/yolov5s.pt" python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 416 --workers 4 --project $project #--------------训练轻量化版本yolov5s05_320-------------- # 输出项目名称路径 project="runs/yolov5s05_320" # 训练和测试数据的路径 data="engine/configs/voc_local.yaml" # YOLOv5模型配置文件 cfg="yolov5s05_320.yaml" # 训练超参数文件 hyp="data/hyps/hyp.scratch-v1.yaml" # 预训练文件 weights="engine/pretrained/yolov5s.pt" python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 320 --workers 4 --project $projectWindows系统终端运行，yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可) #!/usr/bin/env bash #--------------训练yolov5s-------------- python train.py --data engine/configs/voc_local.yaml --cfg yolov5s.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 640 --workers 4 --project runs/yolov5s_640 #--------------训练轻量化版本yolov5s05_416-------------- python train.py --data engine/configs/voc_local.yaml --cfg yolov5s05_416.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 416 --workers 4 --project runs/yolov5s05_416 #--------------训练轻量化版本yolov5s05_320-------------- python train.py --data engine/configs/voc_local.yaml --cfg yolov5s05_320.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 320 --workers 4 --project runs/yolov5s05_320 开始训练：
训练模型收敛后，yolov5s车辆检测的mAP指标大约mAP_0.5=0.57192；而，yolov5s05_416 mAP_0.5=0.47022左右；yolov5s05_320 mAP_0.5=0.44788左右
训练过程可视化工具是使用Tensorboard，使用方法： # 基本方法 tensorboard --logdir=path/to/log/ # 例如 tensorboard --logdir ./data/model/yolov5s_640   
当然，在输出目录，也保存很多性能指标的图片 这是训练epoch的可视化图，可以看到mAP随着Epoch训练，逐渐提高
demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了 测试图片 # 测试图片(Linux系统) image_dir='data/car-test' # 测试图片的目录 weights="data/model/yolov5s_640/weights/best.pt" # 模型文件 out_dir="runs/car-result" # 保存检测结果 python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dirWindows系统，请将$image_dir， $weights ，$out_dir等变量代替为对应的变量值即可，如 # 测试图片(Windows系统) python demo.py --image_dir data/car-test --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/car-result 测试视频文件 # 测试视频文件(Linux系统) video_file="data/car-video.mp4" # path/to/video.mp4 测试视频文件，如*.mp4,*.avi等 weights="data/model/yolov5s_640/weights/best.pt" # 模型文件 out_dir="runs/car-result" # 保存检测结果 python demo.py --video_file $video_file --weights $weights --out_dir $out_dir # 测试视频文件(Windows系统) python demo.py --video_file data/car-video.mp4 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/car-result 测试摄像头 # 测试摄像头(Linux系统) video_file=0 # 测试摄像头ID weights="data/model/yolov5s_640/weights/best.pt" # 模型文件 out_dir="runs/car-result" # 保存检测结果 python demo.py --video_file $video_file --weights $weights --out_dir $out_dir # 测试摄像头(Windows系统) python demo.py --video_file 0 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/car-result   
如果想进一步提高模型的性能，可以尝试： 增加训练的样本数据： 目前只有10W+的数据量，建议根据自己的业务场景，采集相关数据，提高模型泛化能力使用参数量更大的模型： 本教程使用的YOLOv5s，其参数量才7.2M，而YOLOv5x的参数量有86.7M，理论上其精度更高，但推理速度也较慢。尝试不同数据增强的组合进行训练 5. Android版本车辆检测效果已经完成Android版本车辆检测模型算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约20ms左右 ，基本满足业务的性能需求。详细说明请查看《Android实现车辆检测(含Android源码，可实时运行)》 Android Demo体验：
整套项目源码内容包含：车辆检测数据集 + YOLOv5训练代码和测试代码 整套项目下载地址：深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码) （1）车辆检测数据集：UA-DETRAC BITVehicle车辆检测数据集(含下载地址) UA-DETRAC车辆检测数据集Vehicle-Dataset车辆检测数据集BIT-Vehicle车辆检测数据集（2）YOLOv5训练代码和测试代码（Pytorch） 整套YOLOv5项目工程的训练代码和测试代码支持高精度版本yolov5s训练和测试支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试项目源码自带训练好的模型文件，可直接运行测试Demo根据本篇博文说明，简单配置即可开始训练更多项目《智能驾驶 车牌检测和识别》系列文章请参考： 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704209智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704242智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704276智能驾驶 红绿灯检测（一）《红绿灯(交通信号灯)数据集》：https://blog.csdn.net/guyuealian/article/details/128222850智能驾驶 红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128240198智能驾驶 红绿灯检测（三）《Android实现红绿灯检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128240334智能驾驶 车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：https://blog.csdn.net/guyuealian/article/details/127907325 智能驾驶 车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128099672 智能驾驶 车辆检测（三）《Android实现车辆检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128190532 |
【本文地址】
今日新闻 |
推荐新闻 |