yolov5识别

### YOLOv5目标检测使用教程 YOLOv5 是一种高效的目标检测算法，广泛应用于多种场景下的对象识别任务。以下是关于如何使用 YOLOv5 进行目标检测的详细介绍。 #### 一、环境准备 为了顺利运行 YOLOv5 的代码，需要先完成开发环境的配置。具体步骤如下： 1. 安装 Python 和必要的依赖库：推荐安装 Anaconda 或 Miniconda 来管理虚拟环境[^1]。 2. 创建一个新的虚拟环境并激活它： ```bash conda create -n yolov5 python=3.8 conda activate yolov5 ``` 3. 克隆官方仓库或指定项目的代码库至本地机器： ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 ``` 4. 安装所需的 Python 库： ```bash pip install -r requirements.txt ``` #### 二、数据集准备 在进行目标检测之前，需准备好标注好的数据集，并将其转换为适合 YOLOv5 训练的格式。 1. 数据集应遵循 COCO 格式或者 Pascal VOC 格式的标注标准[^2]。 2. 将图片和对应的标签文件存放在特定目录下，通常分为 `train` 和 `val` 文件夹用于训练和验证阶段的数据分离。 3. 编写 YAML 配置文件来定义类别名称以及路径信息： ```yaml train: ../datasets/train/images/ val: ../datasets/val/images/ nc: 2 # 类别数量 names: ['football', 'messi'] # 类别名列表 ``` #### 三、模型训练 当一切准备工作完成后，可以开始训练自己的定制化模型。 1. 调整超参数设置（可选），修改位于 `data/hyps` 下的相关配置文件中的学习率、优化器等选项[^3]。 2. 执行以下命令启动训练过程： ```bash python train.py --img 640 --batch 16 --epochs 50 --data custom.yaml --weights yolov5s.pt ``` 参数解释： - `--img`: 输入图像尺寸，默认为 640×640 像素大小； - `--batch`: 每次迭代使用的批量样本数； - `--epochs`: 总共执行多少轮完整的训练周期； - `--data`: 自己创建的数据集描述 yaml 文件位置； - `--weights`: 初始权重来源，可以选择预训练模型作为起点加快收敛速度。 #### 四、模型评估与推理 经过充分训练之后，可以通过测试集检验最终效果，并利用已保存的最佳权值来进行实时预测操作。 1. 测试性能指标： ```bash python val.py --weights runs/train/exp/weights/best.pt --data custom.yaml --img 640 ``` 2. 对单张或多张新图实施推断分析： ```bash python detect.py --source path/to/image_or_video --weights runs/train/exp/weights/best.pt --conf 0.25 ``` 以上即完成了整个基于 YOLOv5 架构实现自定义目标检测系统的流程概述[^4]。 ```python import torch from utils.general import non_max_suppression, scale_coords from models.experimental import attempt_load def load_model(weights_path='best.pt'): device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = attempt_load(weights_path, map_location=device) return model.eval() model = load_model() print(model) ```