yolov5detection
时间: 2025-02-22 13:26:00 浏览: 35
### YOLOv5目标检测使用教程
#### 安装依赖库
为了能够运行YOLOv5,需要安装一些必要的Python包。可以通过pip工具来完成这些操作。
```bash
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
pip install -r requirements.txt
```
上述命令会安装PyTorch及相关版本以及其他所需的软件包[^1]。
#### 下载预训练权重文件
官方提供了一系列不同大小的YOLOv5模型供下载,包括但不限于`yolov5s.pt`, `yolov5m.pt`, `yolov5l.pt` 和 `yolov5x.pt`. 这些都是已经过大量数据集训练好的模型参数文件,可以直接用于推理阶段的目标检测任务。
可以从GitHub仓库中的releases页面获取最新发布的预训练权重链接并下载至本地项目目录下。
#### 加载模型与预测图像
加载指定名称的.pth格式预训练权重到YOLOv5实例中,并利用该模型对单张图片执行对象识别工作:
```python
import torch
from pathlib import Path
from PIL import Image
# 设置设备为GPU或CPU
device = 'cuda' if torch.cuda.is_available() else 'cpu'
# 载入预训练模型 (可以替换为你想要使用的其他变体, 如 yolov5m, yolov5l 或者 yolov5x)
model = torch.hub.load('ultralytics/yolov5', 'custom', path='path/to/best.pt') # 自定义路径下的最佳模型
img_path = "data/images/zidane.jpg"
image = Image.open(img_path)
results = model(image) # 对输入图像进行推断
print(results.pandas().xyxy[0]) # 打印结果表格形式展示边界框坐标和其他信息
results.show() # 显示带有标注的结果图象
```
这段脚本展示了如何通过调用`torch.hub.load()`函数快速简便地加载特定版本的YOLOv5模型,并对其它任意给定的一幅静态照片实施实时物体定位分析过程。
#### 训练自定义数据集上的YOLOv5模型
如果希望针对个人需求定制化自己的目标分类器,则需准备相应的标签文件和配置文档;之后按照如下方式启动训练流程:
```yaml
train: ./datasets/train/
val: ./datasets/test/
nc: 80
names: ['person', 'bicycle', ... ] # 类别列表
```
以上是一个简单的数据集配置样例,在此基础之上编写完整的.yaml格式描述符后即可开始调整超参设置进而正式开启学习进程:
```bash
python train.py --img 640 --batch 16 --epochs 50 --data custom_data.yaml --weights yolov5s.pt
```
这条指令指定了多项重要选项如分辨率尺寸、批量数目、迭代次数等具体数值,同时也明确了所采用的基础骨干网结构以及待处理的数据源位置信息等内容。
阅读全文
相关推荐














