• 项目名称

《基于Yolov5算法的中老年人带状疱疹皮肤病检测》

• 项目简介

本项目基于yolov5算法进行皮肤病检测，实现识别带状疱疹皮肤病的任务。带状疱疹为中老年人常见感染性皮肤病之一，为了帮助中老年人预防常见感染性疾病，我们将从网络中搜集大量针对带状疱疹检测的数据集，然后用labelImg对采集得到的照片进行特征标注在输入到yolov5算法模型，最后得到检测模型后在AidLux进行部署。本文重点介绍如何使用AidLu进行带状疱疹皮肤病的检测。

• 预期效果

本项目基于Yolov5-Lite模型，利用安装AidLux的安卓手机实现，设备型号小米11，骁龙865，8+256。本项目在医疗市场上存在巨大的潜在价值。当前，随着我国人口老龄化的加剧，针对中老年慢性病，提高基层防病治病和健康管理能力显得尤为重要。我们的项目针对带状疱疹的检测，有利于中老年慢性疾病的防治。本项目响应“健康老龄化”的政策，可从主流医院开始推广，慢慢到各大医院。每年带状疱疹的患者都在增加，可给医院提供一种高效的检测手段，。除此之外，也可在中老年人社区中推广运行，中老年人能够较早发现自己的病症，即可进行及时就医。

对于开发者而言，AI项目中各种算法的数据集准备+模型训练+模型部署依然存在着不小的难度。AidLux的出现，可以将我们的安卓设备以非虚拟的形式变成同时拥有Android和Linux系统环境的边缘计算设备，支持主流AI框架，非常易于部署，还有专门的接口调度算力资源，极大地降低了AI应用落地门槛。

• 操作流程

以下是操作流程图

1.数据集准备

想要Train一个目标检测模型，训练集是第一步，所以我们使用了python爬虫技术在网上大量爬取了带状疱疹和正常皮肤的相关图片。在本项目中我设置了两种检测类型。

Shigles——（患有带状疱疹皮肤）

Normal——（正常皮肤）

2.数据集标注

在采集完图像数据之后，我们就进入到了数据的标注环节。本项目采用的标注工具为labelme，他的下载和使用非常简单，只需一下两步：

pip install labelme

labelme

唤起labelme图像界面之后，单击左上角的file，我们需要对其进行一些设置：

在配置好我们的输入images文件夹和输出labels文件夹的路径之后，我们就可以进入到标注环节，create rectangle创建矩形框来框住我们图像中的物体。标注的话是个 体力活，体力活，体力活 。

在标注完成后，我们图片的json文件是长这样的：

可以看到这里表示bbox是图像中的真实值，而我们送入yolov5-master里面训练的bbox是需要归一化之后的数据，所以我们对数据经行归一化，即将json文件修改为txt文件，生产符合yolov5-Lite训练格式的文件。同时我们也得分割训练集和测试集。

3、Yolov5的准备

3.1.基本的Python环境配置

我采用的是Anaconda+Pycharm的配置，大家要了解一些关于pip的指令，方便管理包，这里就不赘述了。

3.2.下载Yolov5

https://github.com/ultralytics/yolov5，放在合理的位置，如果这个下的慢的话见文末资源

3.3.安装依赖库

当我们下好yolov5后，可以发现有一个requirements.txt文件，我们可以使用Anaconda Prompt，切换到咱们Yolov5的位置，pip install -r requirements.txt即可一步到位全部下完。

大部分都能pip install 。重点说两个

（1）对于Pytorch，如果文件较大没有办法下完的话，可以用我下面的网址单独下载whl文件，

https://download.pytorch.org/whl/torch_stable.html

（2）对于wandb，wandb安装方法，这个好像不是必须的，但我还是下了，版本为0.12.19，刚好能兼容，作用就是对训练分析，如图所示

wandb实际上是非必须的，如果影响到了使用，那么在程序中可以把它禁止使用，不影响任何效果。在yolov5/utils/loggers/wandb/wandb_utils.py前面几行，加入如下图所示的第28行输入wandb=None

3.4.初步测试：detect.py

下载完yolov5后，什么都不用改，运行detect.py

这个是帮你检测能不能正常运行的

若正常：

在runs/detect/exp中能发现被处理过的标签，说明成功了！若程序报错，大概率是因为有的库版本不正确或者还未安装，这个自己调试一下即可，应该没有太大难度

4、训练集要求及路径要求

4.1 目录格式

首先按照这个目录格式去建立文件夹。（一定要按照这个格式建立文件夹）

images是图片，labels是标签，train的话是用于训练的，test就是用于测试的

4.2 修改配置文件

1.coco128.yaml->shigles_parameter.yaml

在yolov5/data/coco128.yaml中先复制一份，粘贴到shigles中，改名为shigles_parameter.yaml（意义为shigles的参数配置）

shigles_parameter.yaml文件需要修改的参数是nc与names。nc是标签名个数，names就是标签的名字，带状疱疹的例子中有2个标签，标签名字都如下。

说明：

path是绝对路径

train是在path绝对路径条件下的训练集路径，即：shigles/datasets/images/train

val同上，但是是验证集，这里我为了方便，让训练集和验证集是一个，也没啥大问题。

test可不填nc是训练集中种类的个数，names是他们对应的名字，这个顺序不要混了，尤其是自己打标签时，会有对应的顺序的。

2.yolov5x.yaml->shigles_model.yaml

yolov5有4种配置，不同配置的特性如下，我这里选择yolov5x，效果较好，但是训练时间长，也比较吃显存

在yolov5/models先复制一份yolov5x.yaml至wzry，更名为shigles_model.yaml（意为模型），只将如下的nc修改为训练集种类即可

5、开始训练train

5.1.调参

在train.py，找到def parse_opt(known=False)这行，这下面是我们要修改的程序部分

我标注“修改处”的，是一定要修改的；其他的注释是一些较为重要的参数不改也可以。具体修改的地方为defalut后

479行：是我们训练的初始权重的位置，是以.pt结尾的文件，第一次训练用别人已经训练出来的权重。可能有朋友会想，自己训练的数据集和别人训练的数据集不一样，怎么能通用呢？实际上他们是通用的，后面训练会调整过来。而如果不填已有权重，那么训练效果可能会不好；

480行：训练模型文件，在本项目中对应shigles_model.yaml；

481行：数据集参数文件，在本项目中对于shigles_parameter.yaml；

482行：超参数设置，是人为设定的参数。包括学习率啥的等等，可不改；

483行：训练轮数，决定了训练时间与训练效果。如果选择训练模型是yolov5x.yaml，那么大约200轮数值就稳定下来了（收敛）；

484行：批量处理文件数，这个要设置地小一些，否则会out of memory。这个决定了我们训练的速度；

485行：图片大小，虽然我们训练集的图片是已经固定下来了，但是传入神经网络时可以resize大小，太大了训练时间会很长，且有可能报错，这个根据自己情况调小一些；

487行：断续训练，如果说在训练过程中意外地中断，那么下一次可以在这里填True，会接着上一次runs/exp继续训练

496行：GPU加速，填0是电脑默认的CUDA，前提是电脑已经安装了CUDA才能GPU加速训练，安装过程可查博客

501行：多线程设置，越大读取数据越快，但是太大了也会报错，因此也要根据自己状况填小。

5.2.结果

结果保存在runs/train/exp中，多次训练就会有exp1、exp2、等等

best.pt和last.pt是我们训练出来的权重文件，比较重要，用于detect.py。last是最后一次的训练结果，best是效果最好的训练结果（只是看起来，但是泛化性不一定强）。

6、识别检测detect.py

6.1.调参

找到def parse_opt():这行，以下是我们要调参的位置

217行：填我们训练好的权重文件路径

218行：我们要检测的文件，可以是图片、视频、摄像头。填0时为打开电脑默认摄像头

219行：数据集参数文件，同上

220行：图片大小，同上

221行：置信度，当检测出来的置信度大于该数值时才能显示出被检测到，就是显示出来的框框

222行：非极大抑制，具体不赘述了，自行查阅，可不改

224行：GPU加速，同上

9.2.结果

结果在runs/detect/exp中

1. 导出.tflite文件

7.1 tflite介绍

tflite其实就是谷歌自己的一个轻量级推理库。主要用于移动端。之前的tensorflow mobile那一套到2019年就不再维护了。

tflite使用的思路主要是从预训练的模型转换为tflite模型文件，拿到移动端部署。

tflite的源模型可以来自tensorflow的saved model或者frozen model,也可以来自keras。

本项目也使用了tflite文件在Aidlux进行推理，我们先将best.pt文件导出为best.tflite：

7.2 pt模型转换

因为aidlux里面用的是tensorflow框架的tflite模型，所以我们先将训练好的pt模型转换成tflite模型。

先在PC端电脑上，打开yolov5的代码，找到export.py，主要修改两个地方。

第一个是修改模型的路径，即weights的路径，修改export.py文件最下面的parse_opt配置函数。

因为yolov5的模型，放在models文件夹里面，所以将detault修改成“models/yolov5s.pt”。

第二个是修改模型转换成的格式，将include的default修改成“tflite”。

改好文件如下

best.tflite文件导出成功，接下来我们就可以在Aidlux上进行推理测试了。

8 AidLux端进行模型部署

8.1 上传代码到AiLlux

我们首先打开手机版的aidlux，并投影到电脑网页上。然后第一步先将Yolov5的所有代码，上传到aidlux的平台里面。

点击电脑端页面菜单栏的第一个，文件浏览器，打开文件管理页面。

找到home文件夹，并双击进入此文件夹。

点击右上角往上的箭头“upload”，再选择Folder，将前面Yolov5的文件夹上传到home文件夹内。

点击选择上传。

上传好后，在Yolov5的aidlux文件夹中

其中包含了三个文件，yolov5.py是主函数文件，utils.py是配置文件，yolov5s.tflite是模型转换后的文件

8.2 运行对应app_main.py代码

8.3 即可进行带状疱疹皮肤病检测

8.4 AidLux展示效果视频

AidLux部署基于Yolov5算法的中老年人带状疱疹皮肤病检测_哔哩哔哩_bilibili

对AidLux感兴趣的同学，可以加入AidLux官方交流群，群内有官方工程师和AI行业的大神在线互动。