环境搭建：
安装驱动
点击鼠标右键，如果出现NVIDIA图标，点开，出现如下图片
我的显卡是1650，根据显卡的型号去官网找相应的驱动下载就好了。驱动官网
安装好之后，打开命令行cmd，输入如下指令：
nvidia-smi显示出如下数据即为安装成功。
安装anaconda
进入官网，下载windows版本，将程序放在c盘以外，防止c盘爆红，接下来傻瓜式点击安装即可。
安装Pytorch
打开侧边栏，找到anaconda文件夹下面的prompt控制台
可以使用如下命令去看系统有哪些环境
conda env list我的环境是这样的
其中pytorch1是我之前安装的环境，这里我们新创建一个环境pytorch,创建过程中一直输入y就好了。
conda create -n pytorch python=3.8激活这个环境：
conda activate pytorch
为了提高安装速度，给环境换源：
-
conda config --add channels
https:/
/mirrors.tuna.tsinghua.edu.cn/anaconda
/pkgs/free
/
-
conda config --add channels https:/
/mirrors.tuna.tsinghua.edu.cn/anaconda
/pkgs/main
/
-
conda config --add channels https:/
/mirrors.tuna.tsinghua.edu.cn/anaconda
/cloud/pytorch
/
-
conda config --set show_channel_urls yes
安装pytorch，我的显卡支持11.6的版本，你们可以查自己的显卡支持的版本
conda install pytorch torchvision torchaudio pytorch-cuda=11.6数据集准备:
使用labelimg标注数据集，将数据集按照这样的目录结构存放
Annotations里面存放着xml格式的标签文件
JPEGImages里面存放着照片数据文件
数据集划分代码如下，放在VOCdevkit同一级目录下就可以运行。
classes = ["plane"]是因为数据集标注时的我打的标签是plane,所以要识别一下。
-
import xml.etree.ElementTree
as ET
-
import pickle
-
import os
-
from os
import listdir, getcwd
-
from os.path
import join
-
import random
-
from shutil
import copyfile
-
-
classes = [
"plane"]
-
# classes=["ball"]
-
-
TRAIN_RATIO =
80
-
-
-
def
clear_hidden_files(
path):
-
dir_list = os.listdir(path)
-
for i
in dir_list:
-
abspath = os.path.join(os.path.abspath(path), i)
-
if os.path.isfile(abspath):
-
if i.startswith(
"._"):
-
os.remove(abspath)
-
else:
-
clear_hidden_files(abspath)
-
-
-
def
convert(
size, box):
-
dw =
1. / size[
0]
-
dh =
1. / size[
1]
-
x = (box[
0] + box[
1]) /
2.0
-
y = (box[
2] + box[
3]) /
2.0
-
w = box[
1] - box[
0]
-
h = box[
3] - box[
2]
-
x = x * dw
-
w = w * dw
-
y = y * dh
-
h = h * dh
-
return (x, y, w, h)
-
-
-
def
convert_annotation(
image_id):
-
in_file =
open(
'VOCdevkit/VOC2007/Annotations/%s.xml' % image_id)
-
out_file =
open(
'VOCdevkit/VOC2007/YOLOLabels/%s.txt' % image_id,
'w')
-
tree = ET.parse(in_file)
-
root = tree.getroot()
-
size = root.find(
'size')
-
w =
int(size.find(
'width').text)
-
h =
int(size.find(
'height').text)
-
-
for obj
in root.
iter(
'object'):
-
difficult = obj.find(
'difficult').text
-
cls = obj.find(
'name').text
-
if cls
not
in classes
or
int(difficult) ==
1:
-
continue
-
cls_id = classes.index(cls)
-
xmlbox = obj.find(
'bndbox')
-
b = (
float(xmlbox.find(
'xmin').text),
float(xmlbox.find(
'xmax').text),
float(xmlbox.find(
'ymin').text),
-
float(xmlbox.find(
'ymax').text))
-
bb = convert((w, h), b)
-
out_file.write(
str(cls_id) +
" " +
" ".join([
str(a)
for a
in bb]) +
'\n')
-
in_file.close()
-
out_file.close()
-
-
-
wd = os.getcwd()
-
wd = os.getcwd()
-
data_base_dir = os.path.join(wd,
"VOCdevkit/")
-
if
not os.path.isdir(data_base_dir):
-
os.mkdir(data_base_dir)
-
work_sapce_dir = os.path.join(data_base_dir,
"VOC2007/")
-
if
not os.path.isdir(work_sapce_dir):
-
os.mkdir(work_sapce_dir)
-
annotation_dir = os.path.join(work_sapce_dir,
"Annotations/")
-
if
not os.path.isdir(annotation_dir):
-
os.mkdir(annotation_dir)
-
clear_hidden_files(annotation_dir)
-
image_dir = os.path.join(work_sapce_dir,
"JPEGImages/")
-
if
not os.path.isdir(image_dir):
-
os.mkdir(image_dir)
-
clear_hidden_files(image_dir)
-
yolo_labels_dir = os.path.join(work_sapce_dir,
"YOLOLabels/")
-
if
not os.path.isdir(yolo_labels_dir):
-
os.mkdir(yolo_labels_dir)
-
clear_hidden_files(yolo_labels_dir)
-
yolov5_images_dir = os.path.join(data_base_dir,
"images/")
-
if
not os.path.isdir(yolov5_images_dir):
-
os.mkdir(yolov5_images_dir)
-
clear_hidden_files(yolov5_images_dir)
-
yolov5_labels_dir = os.path.join(data_base_dir,
"labels/")
-
if
not os.path.isdir(yolov5_labels_dir):
-
os.mkdir(yolov5_labels_dir)
-
clear_hidden_files(yolov5_labels_dir)
-
yolov5_images_train_dir = os.path.join(yolov5_images_dir,
"train/")
-
if
not os.path.isdir(yolov5_images_train_dir):
-
os.mkdir(yolov5_images_train_dir)
-
clear_hidden_files(yolov5_images_train_dir)
-
yolov5_images_test_dir = os.path.join(yolov5_images_dir,
"val/")
-
if
not os.path.isdir(yolov5_images_test_dir):
-
os.mkdir(yolov5_images_test_dir)
-
clear_hidden_files(yolov5_images_test_dir)
-
yolov5_labels_train_dir = os.path.join(yolov5_labels_dir,
"train/")
-
if
not os.path.isdir(yolov5_labels_train_dir):
-
os.mkdir(yolov5_labels_train_dir)
-
clear_hidden_files(yolov5_labels_train_dir)
-
yolov5_labels_test_dir = os.path.join(yolov5_labels_dir,
"val/")
-
if
not os.path.isdir(yolov5_labels_test_dir):
-
os.mkdir(yolov5_labels_test_dir)
-
clear_hidden_files(yolov5_labels_test_dir)
-
-
train_file =
open(os.path.join(wd,
"yolov5_train.txt"),
'w')
-
test_file =
open(os.path.join(wd,
"yolov5_val.txt"),
'w')
-
train_file.close()
-
test_file.close()
-
train_file =
open(os.path.join(wd,
"yolov5_train.txt"),
'a')
-
test_file =
open(os.path.join(wd,
"yolov5_val.txt"),
'a')
-
list_imgs = os.listdir(image_dir)
# list image files
-
prob = random.randint(
1,
100)
-
print(
"Probability: %d" % prob)
-
for i
in
range(
0,
len(list_imgs)):
-
path = os.path.join(image_dir, list_imgs[i])
-
if os.path.isfile(path):
-
image_path = image_dir + list_imgs[i]
-
voc_path = list_imgs[i]
-
(nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))
-
(voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))
-
annotation_name = nameWithoutExtention +
'.xml'
-
annotation_path = os.path.join(annotation_dir, annotation_name)
-
label_name = nameWithoutExtention +
'.txt'
-
label_path = os.path.join(yolo_labels_dir, label_name)
-
prob = random.randint(
1,
100)
-
print(
"Probability: %d" % prob)
-
if (prob < TRAIN_RATIO):
# train dataset
-
if os.path.exists(annotation_path):
-
train_file.write(image_path +
'\n')
-
convert_annotation(nameWithoutExtention)
# convert label
-
copyfile(image_path, yolov5_images_train_dir + voc_path)
-
copyfile(label_path, yolov5_labels_train_dir + label_name)
-
else:
# test dataset
-
if os.path.exists(annotation_path):
-
test_file.write(image_path +
'\n')
-
convert_annotation(nameWithoutExtention)
# convert label
-
copyfile(image_path, yolov5_images_test_dir + voc_path)
-
copyfile(label_path, yolov5_labels_test_dir + label_name)
-
train_file.close()
-
test_file.close()
运行后多生成了两个文件夹，如下：
至此，我们就得到了想要的数据集
训练模型
下载yolo5源码：
导入数据
将VOCdevkit文件夹放入目录
安装环境依赖：
pip install -r requirements.txt确定训练权重
yolov5的5.0版本给我们提供了几个预训练权重，我们可以对应我们不同的需求选择不同的版本的预训练权重。预训练权重可以通过这个网址进行下载，本次训练自己的数据集用的预训练权重为yolov5s.pt。
修改参数
预训练模型和数据集都准备好了，就可以开始训练自己的yolov5目标检测模型了，训练目标检测模型需要修改两个yaml文件中的参数。一个是data目录下的相应的yaml文件，一个是model目录文件下的相应的yaml文件。
一：
修改data目录下的相应的yaml文件。找到目录下的voc.yaml文件，将该文件复制一份，将复制的文件重命名，最好和项目相关。我这里修改为plane.yaml。该项目是对无人机的识别。
里面的内容改成这样：
-
# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC/
-
# Train command: python train.py --data voc.yaml
-
# Default dataset location is next to /yolov5:
-
# /parent_folder
-
# /VOC
-
# /yolov5
-
-
-
# download command/URL (optional)
-
#download: bash data/scripts/get_voc.sh
-
-
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
-
train: VOCdevkit/images/train
# 16551 images
-
val: VOCdevkit/images/val
# 4952 images
-
-
# number of classes
-
nc:
1
-
-
# class names
-
names: [
'plane']
二：
修改models目录下的相应的yaml文件。找到目录下的yolov5s.yaml文件，将该文件复制一份，将复制的文件重命名。我这里修改为yolov5s_plane.yaml。
将这里的识别对象改为1即可：
然后找到train.py文件，改这三个地方，改成我们刚才下载和修改的文件
-
parser.add_argument(
'--weights',
type=
str, default=
'weights/yolov5x.pt',
help=
'initial weights path')
-
parser.add_argument(
'--cfg',
type=
str, default=
'models/yolov5s_plane.yaml',
help=
'model.yaml path')
-
parser.add_argument(
'--data',
type=
str, default=
'data/plane.yaml',
help=
'data.yaml path')
以上我们把参数就都配置好了，运行的话可能会提示我们虚拟内存不够，这时我们需要修改这个地方。
把这个参数改成0
然后就可以开始训练了，训练结束后会生成一个run文件夹
应用模型：
找到run文件夹下面的best.pt文件，他通常在train文件夹下面的最后一个exp下面。
打开detect.py文件，修改这一出为我们训练好的文件
这个地方设置为0，就是调用电脑摄像头
我们这里在手机上下载一款应用，DroidCam,与电脑连接统一局域网，移动端显示如下：
我们修改detect.py中的配置
这样就连上了手机摄像头
连接数据库
我们先引入数据库的用户名，密码等配置
-
import pymysql
-
-
-
-
id =
5
-
def
insert_sql():
-
# 建立连接
-
conn = pymysql.connect(
-
host=
"localhost",
-
# host="192.168.1.112",
-
user=
"root",
# 用户名
-
passwd=
"password111",
# 用户密码
-
db=
"检测小车")
# 数据库名
-
-
global
id
-
# 创建游标，默认是元组型
-
cursor = conn.cursor()
-
# sql = "select * from t_plane"#数据库中表的名
-
sql =
'''INSERT INTO t_plane(id,x,y) VALUES(num,7,2);'''
# 数据库中表的名
-
sql = sql.replace(
"num",
str(
id))
-
cursor.execute(sql)
-
conn.commit()
-
id +=
1
-
cursor.close()
-
conn.close()
id为5，是因为我的数据id设置为自增的，现在有四条，所以id就暂时设置成5。
在程序中检测到物品都会给予一个评分，我们设置判断条件，但评分>0.9时,向数据库插入数据，意味着发现了目标
项目地址：
相关网站搭建：http://t.csdn.cn/iNBcx
转载：https://blog.csdn.net/qq_51118755/article/details/127919611
查看评论