yolov5车牌识别(2023年毕业设计+python源码) |
您所在的位置:网站首页 › 车牌识别开发 › yolov5车牌识别(2023年毕业设计+python源码) |
第一步:将整个代码从github上下载下来, 网址:GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite 也可以直接到GitHub上搜yolov5 ![]() # pip install -r requirements.txt # Base ---------------------------------------- matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 Pillow>=7.1.2 PyYAML>=5.3.1 requests>=2.23.0 scipy>=1.4.1 torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.41.0 # Logging ------------------------------------- tensorboard>=2.4.1 # wandb # Plotting ------------------------------------ pandas>=1.1.4 seaborn>=0.11.0 # Export -------------------------------------- # coremltools>=4.1 # CoreML export # onnx>=1.9.0 # ONNX export # onnx-simplifier>=0.3.6 # ONNX simplifier # scikit-learn==0.19.2 # CoreML quantization # tensorflow>=2.4.1 # TFLite export # tensorflowjs>=3.9.0 # TF.js export # openvino-dev # OpenVINO export # Extras -------------------------------------- # albumentations>=1.0.3 # Cython # for pycocotools https://github.com/cocodataset/cocoapi/issues/172 # pycocotools>=2.0 # COCO mAP # roboflow thop # FLOPs computation (1)安装pytorch(建议安装gpu版本cpu版本太慢)这些库中可能就pytorch比较难安装,其他库用pip install 基本能实现。 可直接在Anaconda Prompt里输入: pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html运行检测 下载完yolov5后,运行detect,可以帮助我们检查上面的环境是不是安装成功。 如果运行不报错,我们会在runs//detect//exp 文件夹下看到两张已经预测出的照片。
如果报错,问题也不大,看就是安装的环境版本比较低或者没安装,我们稍微调试一下就OK了。 三、标记数据我们先要创建几个文件夹用来存放数据和模型。 在yolov5-master如下图所示文件夹 1.制作标签 这里我是以穿越火线为例,提供100个已经标记好的数据(放在文末)。你也可以自己标记,一百张效果不是很好,可以多标记几张。 (1)安装labelme 在Anaconda Prompt里pip install labelme (2)使用labelme 在Anaconda Prompt里输入labelme,会弹出一个窗口。 然后打开图片所在的文件夹 点击rectangle,标记想要识别的东西。 标记完后保存到一个新的文件夹下,保存的文件格式是.json 2.转格式(json转txt) 要修改代码中标签名称,存放json文件的绝对路径和保存txt文件的绝对路径。 我们将生成的txt放在my_dates//labels//train中 将原来的图片放在my_dates//images//train中 import json import os name2id = {'Global Risk':0,'Black List':1} #标签名称 def convert(img_size, box): dw = 1. / (img_size[0]) dh = 1. / (img_size[1]) x = (box[0] + box[2]) / 2.0 - 1 y = (box[1] + box[3]) / 2.0 - 1 w = box[2] - box[0] h = box[3] - box[1] x = x * dw w = w * dw y = y * dh h = h * dh return (x, y, w, h) def decode_json(json_floder_path, json_name): txt_name = 'C:\\img \\' + json_name[0:-5] + '.txt' #存放txt的绝对路径 txt_file = open(txt_name, 'w') json_path = os.path.join(json_floder_path, json_name) data = json.load(open(json_path, 'r', encoding='gb2312',errors='ignore')) img_w = data['imageWidth'] img_h = data['imageHeight'] for i in data['shapes']: label_name = i['label'] if (i['shape_type'] == 'rectangle'): x1 = int(i['points'][0][0]) y1 = int(i['points'][0][1]) x2 = int(i['points'][1][0]) y2 = int(i['points'][1][1]) bb = (x1, y1, x2, y2) bbox = convert((img_w, img_h), bb) txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n') if __name__ == "__main__": json_floder_path = 'G:\\img\\' #存放json的文件夹的绝对路径 json_names = os.listdir(json_floder_path) for json_name in json_names: decode_json(json_floder_path, json_name) 四、配置文件 1.mydata.yamlcopy一下coco128.yaml文件到my_dates下并改名为mydata
然后修改里面的参数: (1)先将path注释掉(别忘记注释) ,然后将train和val改为存放训练集图片的位置 train: my_dates/images/train val: my_dates/images/train (2)然后将nc 改为标签个数(我们这里是1),names里面改为我们的标签名。 别忘了注释path 2.mydata_1.yamlcopy一下yolov5s.yaml文件到my_dates下并改名为mydata_1。(yolov5s效果最差但速度最快我们可以根据自己的情况选择模型) 然后修改里面的参数: 这里只需要将第四行的nc改为1(标签个数) 。 五、模型训练 运行train.py文件 时间有点长(一小时左右)!!!! 如果报错根据实际情况修改一下就ok 结果会放在下面路径下 六、视频或图片预测 我们只需修改detect.py文件夹下的权重路径和测试路径。(210行左右) 只需要将需要预测的视频或图片放在下面文件夹下, 然后运行detect.py就ok了!!!!!! 结果放在 (每次运行都会生成一个新的exp,所以我这是exp7) 源码链接:2023年三月yolov5车牌识别毕业设计源码 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |