yolov5限速标志检测

### 使用YOLOv5实现限速标志检测 #### 数据集准备 为了有效地训练YOLOv5模型以识别特定类型的交通标志，如限速标志，需要收集并标注相应的数据集。该数据集应包含大量不同环境下的限速标志图片，并且每张图片都需精确地标记出限速标志的位置和类别信息[^1]。 ```python from roboflow import Roboflow rf = Roboflow(api_key="YOUR_API_KEY") project = rf.workspace().project("traffic-sign-detection") dataset = project.version(2).download("yolov5") ``` #### YOLOv5模型配置与训练 在准备好合适的数据之后，下一步是对YOLOv5进行定制化调整以便更好地适应限速标志的特点。这通常涉及到修改预定义的超参数以及可能增加一些额外层来增强特征提取能力。完成这些设置后就可以利用准备好的数据集来进行模型训练了。 ```bash !cd yolov5 && python train.py --img 640 --batch 16 --epochs 300 --data ./data/lim_speed_signs.yaml --weights yolov5s.pt --cache ``` #### 模型推理部署 一旦训练完毕并通过验证集评估达到了满意的性能水平，则可将此经过优化后的YOLOv5版本用于实际场景中的限速标志检测任务上。此时可以通过加载保存下来的权重文件，在新的输入图像上来执行预测操作，从而快速定位并分类其中存在的任何限速指示牌实例。 ```python import torch from PIL import Image import numpy as np model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt') results = model(Image.open('test_image.jpg')) print(results.pandas().xyxy[0]) ``` #### UI界面开发 最后一步是创建友好的用户交互接口(UI)，使得非技术人员也能轻松地运行上述流程并对结果有所理解。这里推荐采用Streamlit框架构建Web应用程序，它可以非常方便地集成Python脚本并将输出可视化呈现给最终使用者查看。 ```python import streamlit as st from PIL import Image import cv2 import tempfile st.title("Traffic Sign Detection with YOLOv5") uploaded_file = st.file_uploader("Choose an image...", type=["jpg", "png"]) if uploaded_file is not None: tfile = tempfile.NamedTemporaryFile(delete=False) tfile.write(uploaded_file.read()) img = cv2.imread(tfile.name, cv2.IMREAD_COLOR) results = model(img) df_results = results.pandas().xyxy[0] for index, row in df_results.iterrows(): label = f'{row["name"]} {int(row["confidence"]*100)}%' plot_one_box([row['xmin'], row['ymin'], row['xmax'], row['ymax']], img, label=label, color=[0, 255, 0], line_thickness=2) st.image(cv2.cvtColor(img, cv2.COLOR_BGR2RGB), use_column_width=True) ```