YOLOV5 图像分割

### 使用 YOLOv5 进行图像分割 #### 准备环境与安装依赖库 为了使用YOLOv5进行图像分割，首先需要准备好开发环境。这通常意味着要设置好Python虚拟环境，并安装必要的依赖项。可以采用如下命令来创建一个新的conda环境并激活它： ```bash conda create -n yolov5-seg python=3.8 conda activate yolov5-seg ``` 接着按照官方文档指示安装PyTorch和其他所需的包[^1]。 #### 数据集准备 对于图像分割任务来说，数据标注非常重要。每张图片都需要有对应的mask标签表示不同类别的区域位置。这些mask可以通过专业的工具如Labelme等手动绘制出来，也可以借助一些自动化的方法生成初步的结果再做微调。一旦拥有了带标注的数据集之后，则需将其划分为训练集、验证集以及测试集三部分以便后续操作[^2]。 #### 加载预训练模型 如果不想从头开始训练自己的模型，可以直接利用已经存在的预训练权重来进行迁移学习。下面是一段用于加载YOLOv5s版本的代码片段： ```python import torch from models.experimental import attempt_load weights_path = 'path/to/yolov5s-seg.pt' # 替换成实际路径 device = 'cuda' if torch.cuda.is_available() else 'cpu' model = attempt_load(weights_path, map_location=device).eval() ``` 此过程会下载或读取本地存储好的`.pt`文件作为初始化参数[^3]。 #### 训练自定义数据集上的模型 当一切就绪后就可以着手于调整超参数并对特定领域内的新类别执行finetune了。这里给出一段简单的脚本供参考： ```python from utils.general import check_img_size from train import run as start_training imgsz = check_img_size(imgsz=640, s=model.stride.max()) # 输入尺寸检查 hyp_file = './data/hyps/hyp.scratch-low.yaml' # 超参配置文件地址 opt = { "batch-size": 16, "epochs": 100, "data": "./data/coco128.yaml", "project": "runs/train/exp", "name": f'yolov5_{imgsz}', } start_training(opt) ``` 上述代码中指定了批量大小(batch size)，迭代次数(epochs), 所使用的数据源(data source)等相关选项[^4]。 #### 推理阶段的应用 完成训练后的下一步自然是将所学得的知识应用于实践当中去。此时只需简单修改之前的导入语句即可轻松切换到预测模式下工作: ```python conf_thres = 0.25 # 置信度阈值 iou_thres = 0.45 # IOU阈值 classes = None # 类别过滤器，默认不过滤任何一类 agnostic_nms = False # 是否启用无分类NMS augment = True # 测试增强开关 results = model(image_tensor, augment=augment)[0] pred = non_max_suppression(results, conf_thres, iou_thres, classes=classes, agnostic=agnostic_nms) for det in pred: if len(det): xyxy = det[:, :4].clone().detach().numpy() cls = det[:, -1].int().tolist() ... ``` 以上就是关于如何基于YOLOv5框架开展图像分割工作的基本流程介绍[^5]。