(笔记)ubuntu20.04下 yolov5学习与使用
1项目的克隆和必要的环境依赖
1.1：目前暂时下载yolov5下的7.0分支并解压至自己的工程目录(~/Yolov5_Study)里：官网 GitHub - ultralytics/yolov5 at v7.0
tree -L 1 yolov5-7.0/这里通过tree的1级别可以看到的目录一层结构：
data：配置文件，训练集、测试集、验证集的路径 还包含目标检测的种类数及种类的名称，和官方提供测试的图片. 如要自己训练数据集是要修改其中的yaml文件。自己的数据集放到yolov5项目的同级目录下面。
models：网络构建的配置文件和函数，包含该项目四个版本，为s、m、l、x。体积从小至大，对应版本检测速度从快到慢，精确度则从低到高。如训练自己的数据集，需改对应yaml文件训练自己模型。
utils：存放的是工具类的函数，里面有loss函数，metrics函数，plots函数等等。
weights：放置训练好的权重参数。
detect.py：利用训练好的权重参数进行目标检测，可以进行图像、视频和摄像头的检测。
train.py：训练自己的数据集的函数。
test.py：测试训练的结果的函数。
requirements.txt：是文本文件,写有yolov5项目的依赖包对应版本,可用该导入相应版本的包。
以上是yolov5项目代码的整体介绍。我们训练和测试自己的数据集基本就是利用到如上的代码。
1.2：在pycharm(或ubuntu系统)的命令终端(上篇笔记conda创建pytorch里)，进入上面yolov5.7目录执行命令安装相关依赖：（如有中断，多试几次）
pip install -r requirements.txt
或
pip install -r requirements.txt -i http://pypi.douban.com/simple --trusted-host pypi.douban.com2 数据集和预训练权重的准备
2.1：labelimg制作自己的深度学习目标检测数据集
自己的数据集放到yolov5项目的同级目录下面且按如下目录结构创建：
VOC_data/
├── EndTestData_JPEGImages #存放验证集的图片
├── EndTestData_YoloLabel #存放验证集标注的标签(yolo格式)
├── predefined_classes.txt #定义自己要标注的所有类别名单
├── Source_JPEGImages #存放需要打标签的图片源素材文件夹
├── Source_YoloLabel #存放 voc格式数据 转 yolo格式数据的文件夹
├── toolkit #必备工具箱
│ ├── create_EndTestData.py #创建验证集和对应标签的脚本
│ ├── voc_to_yolo.py #将VOC格式数据标签 转换为yolo的脚本
│ └── yolo_to_voc.py #将yolo格式数据标签 转换为voc的脚本
└── VOC_Label #存放最初标注的标签文件夹，VOC的xml格式，优点好读
项目数据训练素材收集源：
网上公开的资源：百度，AI Studio，抖音...
非公开资源(如没有合适的)：自己录制，公司内部获取...
labelimg 安装：
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
切记请进入自己数据集的根目录(本文：~/Yolov5_Study/VOC_data)再运行labelimg:
cd ~/Yolov5_Study/VOC_datalabelImg Source_JPEGImages predefined_classes.txt如你所见下图：三个都勾选和点选专家模式
常用快捷键如下：
w：调出并一直悬浮标注十字架(仅专家模式下可用)
a：切换到上一张图片
d：切换到下一张图片
del ：删除标注框框
Ctrl+u：选择标注的图片文件夹
Ctrl+r：选择标注好的label标签存在的文件夹
按快捷键w，按住鼠标左键拖出框框就可以了。如下图所示，当我们选定目标以后，就会加载出来predefined_classes.txt 定义自己要标注的所有类别（如果类别多，是真方便）。然后界面最右边会出现打好的类别标签。打好一张照片以后，快捷键D，就会进入下一张，这时候就会自动保存标签文件
下图同一张图里标注多个目标右中显示 ：car, lidar.
voc格式数据与yolo格式数据互转：
需注要意的是一定要将代码中 类别名字及顺序 与predefined_classes.txt里的 保持一致！
voc格式 转 yolo格式的python代码：
VOC格式文件保存时：是采用对应图像名称 加xml后缀的文件。
(当然可省去这步内容：在标注数据时将PascalVOC改为yolo格式。代价是yolo难以阅读)
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join"""
This is a conversion script from voc data format to yolo data format
"""def convert(size, box):x_center = (box[0] + box[1]) / 2.0y_center = (box[2] + box[3]) / 2.0x = x_center / size[0]y = y_center / size[1]w = (box[1] - box[0]) / size[0]h = (box[3] - box[2]) / size[1]return (x, y, w, h)def convert_annotation(xml_files_path, save_txt_files_path, classes):xml_files = os.listdir(xml_files_path)print(xml_files)for xml_name in xml_files:print(xml_name)xml_file = os.path.join(xml_files_path, xml_name)out_txt_path = os.path.join(save_txt_files_path, xml_name.split('.')[0] + '.txt')out_txt_f = open(out_txt_path, 'w')tree = ET.parse(xml_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))# b=(xmin, xmax, ymin, ymax)print(w, h, b)bb = convert((w, h), b)out_txt_f.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')if __name__ == "__main__":# 需要转换的类别，需要一一对应classes1 = ['person', 'dog']# 2、voc格式的xml标签文件路径xml_files1 = r'/home/t/Yolov5_Study/VOC_data/VOC_Label'# 3、转化为yolo格式的txt标签文件存储路径save_txt_files1 = r'/home/t/Yolov5_Study/VOC_data/Source_YoloLabel'convert_annotation(xml_files1, save_txt_files1, classes1)yolo 转 voc 代码：(未用暂未改路径)
from xml.dom.minidom import Document
import os
import cv2"""
This is a conversion script from yolo data format to voc data format
"""# def makexml(txtPath, xmlPath, picPath): # txt所在文件夹路径，xml文件保存路径，图片所在文件夹路径
def makexml(picPath, txtPath, xmlPath): # txt所在文件夹路径，xml文件保存路径，图片所在文件夹路径"""此函数用于将yolo格式txt标注文件转换为voc格式xml标注文件在自己的标注图片文件夹下建三个子文件夹，分别命名为picture、txt、xml"""dic = {'0': "boat", # 创建字典用来对类型进行转换'1': "cat", # 此处的字典要与自己的classes.txt文件中的类对应，且顺序要一致}files = os.listdir(txtPath)for i, name in enumerate(files):xmlBuilder = Document()annotation = xmlBuilder.createElement("annotation") # 创建annotation标签xmlBuilder.appendChild(annotation)txtFile = open(txtPath + name)txtList = txtFile.readlines()img = cv2.imread(picPath + name[0:-4] + ".jpg")Pheight, Pwidth, Pdepth = img.shapefolder = xmlBuilder.createElement("folder") # folder标签foldercontent = xmlBuilder.createTextNode("driving_annotation_dataset")folder.appendChild(foldercontent)annotation.appendChild(folder) # folder标签结束filename = xmlBuilder.createElement("filename") # filename标签filenamecontent = xmlBuilder.createTextNode(name[0:-4] + ".jpg")filename.appendChild(filenamecontent)annotation.appendChild(filename) # filename标签结束size = xmlBuilder.createElement("size") # size标签width = xmlBuilder.createElement("width") # size子标签widthwidthcontent = xmlBuilder.createTextNode(str(Pwidth))width.appendChild(widthcontent)size.appendChild(width) # size子标签width结束height = xmlBuilder.createElement("height") # size子标签heightheightcontent = xmlBuilder.createTextNode(str(Pheight))height.appendChild(heightcontent)size.appendChild(height) # size子标签height结束depth = xmlBuilder.createElement("depth") # size子标签depthdepthcontent = xmlBuilder.createTextNode(str(Pdepth))depth.appendChild(depthcontent)size.appendChild(depth) # size子标签depth结束annotation.appendChild(size) # size标签结束for j in txtList:oneline = j.strip().split(" ")object = xmlBuilder.createElement("object") # object 标签picname = xmlBuilder.createElement("name") # name标签namecontent = xmlBuilder.createTextNode(dic[oneline[0]])picname.appendChild(namecontent)object.appendChild(picname) # name标签结束pose = xmlBuilder.createElement("pose") # pose标签posecontent = xmlBuilder.createTextNode("Unspecified")pose.appendChild(posecontent)object.appendChild(pose) # pose标签结束truncated = xmlBuilder.createElement("truncated") # truncated标签truncatedContent = xmlBuilder.createTextNode("0")truncated.appendChild(truncatedContent)object.appendChild(truncated) # truncated标签结束difficult = xmlBuilder.createElement("difficult") # difficult标签difficultcontent = xmlBuilder.createTextNode("0")difficult.appendChild(difficultcontent)object.appendChild(difficult) # difficult标签结束bndbox = xmlBuilder.createElement("bndbox") # bndbox标签xmin = xmlBuilder.createElement("xmin") # xmin标签mathData = int(((float(oneline[1])) * Pwidth + 1) - (float(oneline[3])) * 0.5 * Pwidth)xminContent = xmlBuilder.createTextNode(str(mathData))xmin.appendChild(xminContent)bndbox.appendChild(xmin) # xmin标签结束ymin = xmlBuilder.createElement("ymin") # ymin标签mathData = int(((float(oneline[2])) * Pheight + 1) - (float(oneline[4])) * 0.5 * Pheight)yminContent = xmlBuilder.createTextNode(str(mathData))ymin.appendChild(yminContent)bndbox.appendChild(ymin) # ymin标签结束xmax = xmlBuilder.createElement("xmax") # xmax标签mathData = int(((float(oneline[1])) * Pwidth + 1) + (float(oneline[3])) * 0.5 * Pwidth)xmaxContent = xmlBuilder.createTextNode(str(mathData))xmax.appendChild(xmaxContent)bndbox.appendChild(xmax) # xmax标签结束ymax = xmlBuilder.createElement("ymax") # ymax标签mathData = int(((float(oneline[2])) * Pheight + 1) + (float(oneline[4])) * 0.5 * Pheight)ymaxContent = xmlBuilder.createTextNode(str(mathData))ymax.appendChild(ymaxContent)bndbox.appendChild(ymax) # ymax标签结束object.appendChild(bndbox) # bndbox标签结束annotation.appendChild(object) # object标签结束f = open(xmlPath + name[0:-4] + ".xml", 'w')xmlBuilder.writexml(f, indent='\t', newl='\n', addindent='\t', encoding='utf-8')f.close()if __name__ == "__main__":picPath = "C:/Users/86159/Desktop/VOC2007/JPEGImage/" # 图片所在文件夹路径，后面的/一定要带上txtPath = "C:/Users/86159/Desktop/VOC2007/yolo/" # txt所在文件夹路径，后面的/一定要带上xmlPath = "C:/Users/86159/Desktop/VOC2007/Annotations1/" # xml文件保存路径，后面的/一定要带上makexml(picPath, txtPath, xmlPath)将数据集划分为训练集和验证集：
在做深度学习目标检测模型训练时,首先获取数据集，然后对数据集进行标注，然后再把标注完的数据集划分为训练集和验证集，这样更加方便模型的训练和测试。以下是划分数据集的代码。
(当然也可以省去这步内容：训练数据同时也作为测试数据用)
import os, random, shutildef moveimg(fileDir, tarDir):pathDir = os.listdir(fileDir) # 取图片的原始路径filenumber = len(pathDir)rate = 0.1 # 自定义抽取图片的比例，比方说100张抽10张，那就是0.1picknumber = int(filenumber * rate) # 按照rate比例从文件夹中取一定数量图片sample = random.sample(pathDir, picknumber) # 随机选取picknumber数量的样本图片print(sample)for name in sample:shutil.move(fileDir + name, tarDir + "/" + name)returndef movelabel(file_list, file_label_train, file_label_val):for i in file_list:if i.endswith('.jpg'):filename = file_label_train + "/" + i[:-4] + '.txt' # 可以改成xml文件将’.txt‘改成'.xml'就可以了if os.path.exists(filename):shutil.move(filename, file_label_val)print(i + "处理成功！")if __name__ == '__main__':fileDir = r"/home/t/Yolov5_Study/VOC_data/Source_JPEGImages/" #源图片文件夹路径tarDir = r'/home/t/Yolov5_Study/VOC_data/EndTestData_JPEGImages' # 图片移动到新的文件夹路径moveimg(fileDir, tarDir)file_list = os.listdir(tarDir)file_label_train = r"/home/t/Yolov5_Study/VOC_data/Source_YoloLabel/" # 源图片标签路径file_label_val = r"/home/t/Yolov5_Study/VOC_data/EndTestData_YoloLabel" # 标签# 移动到新的文件路径movelabel(file_list, file_label_train, file_label_val)如上代码原理：按比例(自行修改第7行中rate值)将抽取源照片 及其对应的源标签文件 分别放入到它俩新建的文件夹中（该俩文件夹需要新建）。这样源文件夹就变成了训练集，新建的为验证集及其标签文件。方便测试用。
此时将训练集和验证集的图片和标签文件分别复制到yolov5根目录 新建的my_data文件夹里images,labels
2.2下载权重文件：
要缩短训练时间和更好的精度，应加载预训练权重进行网络的训练。下图权重的名字和大小信息，可知，权重越大，训练出来的精度就越高，但其检测的速度就越慢。
https://github.com/ultralytics/yolov5/releases/download/v6.2/yolov5s.pt
https://github.com/ultralytics/yolov5/releases/download/v6.2/yolov5x.pt
将下载的yolov5*.pt复制到yolov5的根目录里
3训练自己的模型
3.1修改数据配置文件
要修改data和model两个目录下对应yaml文件中的参数。
在data目录下新建yaml文件：根据自个项目为其命名为dog.yaml。该项目是对狗的识别。
然后复制如下的代码在dog.yaml
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: my_data/images/ # 16551 images # # 训练集图片路径
val: my_data/images/ # 4952 images ##验证集图片路径# number of classes
nc: 1 ##标记类的个数# class names
names: [ 'dog' ] ##标记类的名称
按ctrl+o 回车保存 再ctrl+x退出nano编辑器
上面填写需要识别的类别的名字（必须是英文，否则会乱码识别不出来）
3.2修改模型配置文件
本次用yolov5s.pt这个预训练权重，修改models目录下的yolov5s.yaml文件中的相应参数（因为不同的预训练权重对应着不同的网络层数，所以用错预训练权重会报错）。将yolov5s.yaml文件复制一份，重命名为yolov5s_dog.yaml。
打开yolov5s_dog.yaml文件只需要修改如图中nc的数字就好了，这里是识别一个类别
3.3训练自己的模型
yolov5根目录里找到train.py这个py文件修改几个参数
然后找到主函数的入口，这里面有模型的主要参数。模型的主要参数解析如下所示
if __name__ == '__main__':
"""opt模型主要参数解析：--weights：初始化的权重文件的路径地址--cfg：模型yaml文件的路径地址--data：数据yaml文件的路径地址--hyp：超参数文件路径地址--epochs：训练轮次--batch-size：喂入批次文件的多少--img-size：输入图片尺寸--rect:是否采用矩形训练，默认False--resume:接着打断训练上次的结果接着训练--nosave:不保存模型，默认False--notest:不进行test，默认False--noautoanchor:不自动调整anchor，默认False--evolve:是否进行超参数进化，默认False--bucket:谷歌云盘bucket，一般不会用到--cache-images:是否提前缓存图片到内存，以加快训练速度，默认False--image-weights：使用加权图像选择进行训练--device:训练的设备，cpu；0(表示一个gpu设备cuda:0)；0,1,2,3(多个gpu设备)--multi-scale:是否进行多尺度训练，默认False--single-cls:数据集是否只有一个类别，默认False--adam:是否使用adam优化器--sync-bn:是否使用跨卡同步BN,在DDP模式使用--local_rank：DDP参数，请勿修改--workers：最大工作核心数--project:训练模型的保存位置--name：模型保存的目录名称--exist-ok：模型目录是否存在，不存在就创建
"""parser = argparse.ArgumentParser()parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')parser.add_argument('--cfg', type=str, default='', help='model.yaml path')parser.add_argument('--data', type=str, default='data/coco128.yaml', help='data.yaml path')parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')parser.add_argument('--epochs', type=int, default=300)parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')parser.add_argument('--rect', action='store_true', help='rectangular training')parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')parser.add_argument('--notest', action='store_true', help='only test final epoch')parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')parser.add_argument('--project', default='runs/train', help='save to project/name')parser.add_argument('--entity', default=None, help='W&B entity')parser.add_argument('--name', default='exp', help='save to project/name')parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')parser.add_argument('--quad', action='store_true', help='quad dataloader')parser.add_argument('--linear-lr', action='store_true', help='linear LR')parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table')parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')opt = parser.parse_args()将weights权重的对应路径，yolov5s_dog.yaml文件路径，data数据的dog.yaml文件路径分别填写到相应的参数里面。
parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')parser.add_argument('--cfg', type=str, default='models/yolov5s_dog.yaml', help='model.yaml path')parser.add_argument('--data', type=str, default='data/dog.yaml', help='data.yaml path')还有几个需要根据自己的需求来更改的参数：
模型的训练轮次，如训练的300轮。
parser.add_argument('--epochs', type=int, default=300)其次是输入图片的数量和工作的核心数，这里每个人的电脑的性能都不一样，我的配置低这里就调低：4
parser.add_argument('--batch-size', type=int, default=4, help='total batch size for all GPUs')
parser.add_argument('--workers', type=int, default=4, help='maximum number of dataloader workers')终端进入yolov5.7目录下执行：
python3.8 train.py这里遇到四个报错，而yolov5.5的没这么多就一个
此时报错1：
ModuleNotFoundError: No module named 'IPython'
解决：conda install -c anaconda ipython
报错2：
ModuleNotFoundError: No module named 'psutil'
解决：编辑yolov5-7/models/common.py
找到class SPP这一行，在上面添加class SPPF，代码如下：
class SPPF(nn.Module):def __init__(self, c1, c2, k=5):super().__init__()c_ = c1 // 2self.cv1 = Conv(c1, c_, 1, 1)self.cv2 = Conv(c_ * 4, c2, 1, 1)self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)def forward(self, x):x = self.cv1(x)with warnings.catch_warnings():warnings.simplefilter('ignore')y1 = self.m(x)y2 = self.m(y1)return self.cv2(torch.cat([x, y1, y2, self.m(y2)], 1))报错3：
ModuleNotFoundError: No module named 'psutil'
解决：conda install psutil
报错4：
export GIT_PYTHON_REFRESH=quiet
解决：
sudo vim /etc/profile
添加 ：export GIT_PYTHON_REFRESH=quiet
wq 保存
source /etc/profile
此时不要关闭窗口直接运行 python3.8 train.py 进行训练自己的模型
等到数据训练好了以后，就会在主目录下产生一个run文件夹，在run/train/exp/weights目录下会产生两个权重文件，一个是最后一轮的权重文件，一个是最好的权重文件，一会我们就要利用这个最好的权重文件来做推理测试。除此以外还会产生一些验证文件的图片等一些文件。
另外一个执行方式：
python3 train.py --img 600 --batch 50 --epochs 300 --data data/dog.yaml --weights yolov5s.pt --cache --batch-size 43.4启用tensorbord查看参数
运行这段指令后，将那行网址复制下来到浏览器打开就可以看到训练的过程了
tensorboard --logdir=runs/train3.5用自己权重模型进行推理
找到主目录下的detect.py文件，打开该文件
然后找到主函数的入口，这里面有模型的主要参数。模型的主要参数解析如下所示。
if __name__ == '__main__':
"""
--weights:权重的路径地址
--source:测试数据，可以是图片/视频路径，也可以是'0'(电脑自带摄像头),也可以是rtsp等视频流
--output:网络预测之后的图片/视频的保存路径
--img-size:网络输入图片大小
--conf-thres:置信度阈值
--iou-thres:做nms的iou阈值
--device:是用GPU还是CPU做推理
--view-img:是否展示预测之后的图片/视频，默认False
--save-txt:是否将预测的框坐标以txt文件形式保存，默认False
--classes:设置只保留某一部分类别，形如0或者0 2 3
--agnostic-nms:进行nms是否也去除不同类别之间的框，默认False
--augment:推理的时候进行多尺度，翻转等操作(TTA)推理
--update:如果为True，则对所有模型进行strip_optimizer操作，去除pt文件中的优化器等信息，默认为False
--project：推理的结果保存在runs/detect目录下
--name：结果保存的文件夹名称
"""parser = argparse.ArgumentParser()parser.add_argument('--weights', nargs='+', type=str, default='yolov5s.pt', help='model.pt path(s)')parser.add_argument('--source', type=str, default='data/images', help='source') # file/folder, 0 for webcamparser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold')parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS')parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')parser.add_argument('--view-img', action='store_true', help='display results')parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels')parser.add_argument('--nosave', action='store_true', help='do not save images/videos')parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --class 0, or --class 0 2 3')parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')parser.add_argument('--augment', action='store_true', help='augmented inference')parser.add_argument('--update', action='store_true', help='update all models')parser.add_argument('--project', default='runs/detect', help='save results to project/name')parser.add_argument('--name', default='exp', help='save results to project/name')parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')opt = parser.parse_args()这里需要将刚刚训练好的最好的权重传入到推理函数中去。然后就可以对图像视频进行推理了。
parser.add_argument('--weights', nargs='+', type=str, default='runs/train/exp/weights/best.pt', help='model.pt path(s)')对图片进行测试推理，将如下参数修改成单张图片/一个图片文件夹的路径，然后运行detect.py就可以进行测试了。
parser.add_argument('--source', type=str, default='my_data/images/', help='source')
推理测试结束以后，在run下面会生成一个detect目录，推理结果会保存在exp目录下。
对视频进行测试，和如上的图片的测试是一样的，只不过是将图片的路径改为视频的路径而已。利用摄像头进行测试只需将路径改写为0就好了。但是好像还是会报错，这一点卡了我很久。报错如下。
解决方法：首先在utils 下找到datasets.py这个py文件
打开文件，找到第279行代码，给两个url参数加上str就可以了，如图所示，就可以完美运行电脑的摄像头了。
>>>>>>>>>>>>> 学习 yolov5.7 完结 <<<<<<<<<<<<
END 本文的学习来自于：
目标检测---教你利用yolov5训练自己的目标检测模型
Yolov5-7.0机器视觉应用教程 - 哔哩哔哩
一步真实解决RuntimeError: result type Float can‘t be cast to the desired output type long int_蓝胖胖▸的博客-CSDN博客
报错ModuleNotFoundError: No module named ‘IPython‘_SpaceVision的技术博客_51CTO博客
运行YOLOv5出现报错找不到SPPF错误，进行解决AttributeError: Can‘t get attribute ‘SPPF‘ on ＜module ‘models.common‘ from_TT花下人的博客-CSDN博客
(笔记)ubuntu20.04下 yolov5学习与使用相关推荐
- Ubuntu20.04下配置深度学习环境
文章目录 一.安装Anaconda 1.安装Anaconda 2.区分ubuntu系统中自带的python与Anaconda中带的python 3.创建一个深度学习环境 二.安装cuda与cudnn ...
- 【学习mysql】ubuntu20.04下彻底删除mysql8.0
ubuntu20.04下安装mysql8.0配置出错次数到吐血,却熟练了删除mysql的基本操作.记录一下 1.保证mysql进程停止 sudo service mysql stop 2.查看mysq ...
- ubuntu20.04下vim+vimtex编写latex的利器
ubuntu20.04下vim+vimtex编写latex的利器 安装中文环境的latex套件 vimtex的安装与配置 安装vimtex PDF阅读器 zathura vimtex 与 zathur ...
- DELF: DEep Local Features在Ubuntu20.04下安装配置
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 DELF: DEep Local Features在Ubuntu20.04下安装配置 一.安装Ubuntu20.04后配置深度学习环境 ...
- 13.在Ubuntu20.04下，chromium无法输入中文以及如何卸载chromium浏览器
因为chromium安装比较简单,所以在Ubuntu20.04下直接安装了chromium,但是最近发现,无法在chromium中输入中文了,经过一顿折腾,最终也没搞定,解决办法就是安装Chrome ...
- U盘在Ubuntu20.04下只能读取文件不能向U盘复制文件
背景 U盘在Ubuntu20.04下只能读取文件不能向该U盘复制文件,该U盘在其余电脑上一点问题不存在. Ubuntu系统插入其余U盘也能正确读取,只对该U盘无法处理. 处理过程 在CSDN中找了许多 ...
- ubuntu20.04下安装qq和微信（最新）
ubuntu20.04下安装qq和微信(最新) 在ubuntu(debian系列)下安装软件,一般可以通过这两种简单的方式: sudo apt install 软件包 或者 sudo dpkg -ℹ ...
- 关于Ubuntu20.04下向日葵远程软件连接中断的解决方法
关于Ubuntu20.04下向日葵远程软件连接中断的解决方法 一.安装并登陆好Ubuntu的向日葵客户端后 二.切换lightdm图形页面 一.安装并登陆好Ubuntu的向日葵客户端后 在终端下运行以 ...
- Ubuntu20.04下安装 R 及 CRAN 软件包（命令行操作）
文章目录 前言 一.R 的安装 1. 确定软件包版本 2. 安装CRAN中的R二进制文件 3. 安装 R 及其依赖项 4. 检查安装情况 二.添加CRAN软件包 1. 添加当前的 R4.1.0 或更高 ...
最新文章
- 别把你的目光停留在周围
- supervisor守护进程的安装配置使用
- QQ组件可导致IE10无响应
- Spring技术原理之Bean生命周期
- 利用DataSnap的回调功能在客户端显示服务器方法的执行进度
- 嵌入式操作系统内核原理和开发（最快、最优、最差内存分配算法）
- 腾讯广告算法大赛 | 专家开小灶，独家解析Lookalike那些事儿
- 深度学习笔记(一)——初步理解yoloV3原理
- scala-协变、逆变、上界、下界
- rbf java_RBF网络
- Linux内核安全模块学习-导言
- 第一章 绪论 1.2 时域采样定理及其应用
- Blazor The specified deps.json \bin\Debug\net5.0\BlazorWebApp.deps.json] does not exist
- qt远程调试ARM板
- 华硕主板如何设置开机自启_教你华硕主板bios怎么设置硬盘启动
- java的setbounds_Java Label.setBounds方法代码示例
- sigmoid二分类
- Containerd shim 进程 PPID 之谜
- 超级实习生计划学习笔记——Redis字符串
- qsnctf ping me2 wp