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：

【整套项目下载地址】：YOLOv5实现车辆检测(含车辆检测数据集+训练代码)

【尊重原创，转载请注明出处】https://panjinquan.blog.csdn.net/article/details/128099672

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

3. 基于YOLOv5的车辆检测模型训练

（1）YOLOv5说明

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

（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


  
   
    
     
    
    
     
      # 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
     
    
   
    
     
    
    
     
      train:
     
    
   
    
     
    
    
     
        - 
      "path/to/UA-DETRAC/DETRAC-VOC/DETRAC-train-voc/train.txt"
     
    
   
    
     
    
    
     
        - 
      "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:
     
    
   
    
     
    
    
     
        - 
      "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-size	params(M)	GFLOPs	mAP0.5
yolov5s	640×640	7.2	16.5	0.57192
yolov5s05	416×416	1.7	1.8	0.47022
yolov5s05	320×320	1.7	1.1	0.44788

（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）

编辑train.sh脚本训练，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 64 --imgsz 640 --workers 12 --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 64 --imgsz 416 --workers 12 --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 64 --imgsz 320 --workers 12 --project 
      $project

开始训练： bash train.sh

训练数据量比较大，训练时间比较长，请耐心等待哈
训练完成后，在模型输出目录中有个results.csv文件，记录每个epoch测试的结果，如loss,mAP等信息

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

（7）可视化训练过程

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

这是每个类别的F1-Score分数

这是模型的PR曲线

这是混淆矩阵：

4. Python版本车辆检测效果

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
     
    
   
    
     
    
    
     
      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_dir

测试视频文件


  
   
    
     
    
    
     
      # 测试视频文件
     
    
   
    
     
    
    
     
      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

测试摄像头


  
   
    
     
    
    
     
      # 测试摄像头
     
    
   
    
     
    
    
     
      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