- 实现目标检测中的 图片/视频 计数
- 显示检测的类别
- to do
- ubuntu 18.04
- python 3.8
- pytorch 1.11
2.1、下载代码 进入相应目录
git clone https://github.com/koihoo/yolov5_counting_pytorch.git
cd yolov5_counting_pytorch
2.2、conda创建虚拟环境 并激活环境
conda create -n yolov5 python=3.8
conda activate yolov5
2.3、安装pytorch
根据操作系统、安装工具以及CUDA版本，在 https://pytorch.org 找到对应的安装命令。我的环境是 ubuntu 18.04.5、pip、CUDA 11.3
pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113
2.4、安装必要的软件包
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
3.1 原始数据格式(插入yolov5/data文件夹中)
dataset #(数据集名字：例如goose)
├── images
├── train
├── xx.jpg
├── val
├── xx.jpg
├── labels
├── train
├── xx.txt
├── val
├── xx.txt
在yolov5/data文件夹下新建goose.yaml
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: /home/koihoo/yolov5/data/goose-2 # dataset root dir
train: images/train # train images (relative to 'path')
val: images/val # val images (relative to 'path')
test: # test images (optional)
# Classes
nc: 1 # number of classes
names: ['goose'] # class names
path：数据集的根目录 train：训练集与path的相对路径 val：验证集与path的相对路径 nc：类别数量，因为这个数据集只有一个类别（fire），nc即为1。 names：类别名字
3.2下载预训练模型 根据需求选择https://github.com/ultralytics/yolov5/releases 模型下载完成后，将xx.pt复制在yolov5文件夹下。
上面的数据和预训练模型都准备好之后，我们就可以开始训练啦
python train.py --weights yolov5s.pt --data data/goose.yaml --workers 1 --batch-size 8
训练最终结果如图所示
训练窗口中添加需要打印的指标（如F1-score）
在yolov5/val.py中的第192行开始
# L 192 ,注意参数量，从7变成8
s = ('%22s' + '%11s' * 7) % ('Class', 'Images', 'Instances', 'P', 'R', 'mAP50', 'mAP50-95', 'F1-score')
# L 285
mp, mr, map50, map, f1 = p.mean(), r.mean(), ap50.mean(), ap.mean(), f1.mean()
# L 292
pf = '%22s' + '%11i' * 2 + '%11.3g' * 5 # print format
LOGGER.info(pf % ('all', seen, nt.sum(), mp, mr, map50, map, f1))模型训练完成之后会保存在runs/train，使用在自己数据集上训练好的模型可以进行预测
python detect.py --weights runs/train/exp/weights/best.pt --source xxx.mp4 --view-img --hide-conf
在yolov5/detect.py中加入counting的功能代码
# L 207
####### COUNTING ########
cv2.putText(im0,f"{names[int(c)]}{'s' * (n > 1)}: {n}", (5,50), cv2.FONT_HERSHEY_SIMPLEX, 1.2, (0, 0, 255), 2)
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent