目标检测算法Yolov5训练反光衣数据集模型 建立基于深度学习yolov5反光衣的检测

目标检测算法Yolov5训练反光衣数据集模型 建立基于深度学习yolov5反光衣的检测

反光衣数据集 格式txt
：两个类别 反光衣和其他衣服
标注：labelimg标注（txt格式）
已划分：train（2043）和val（510）

1

1

使用YOLOv5模型进行目标检测任务。以下是详细的流程，包括安装依赖、准备数据集、配置YOLOv5、训练模型、评估模型、推理代码以及构建GUI应用程序的详细步骤。

标题：基于YOLOv5的反光衣检测全流程参考

1. 安装依赖

首先，确保你的环境中已安装了必要的库和工具：

pipinstalltorch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113# 根据CUDA版本选择gitclone https://github.com/ultralytics/yolov5# 克隆YOLOv5仓库cdyolov5 pipinstall-rrequirements.txt

2. 准备数据集

数据集已经按照8:2的比例划分为训练集（2043张）和验证集（510张），并且标注文件为YOLO适用的txt格式。

数据集结构示例

reflective_clothing_dataset/ ├── images/ │ ├── train/ │ │ ├── img1.jpg │ │ └── ... │ └── val/ │ ├── img2044.jpg │ └── ... └── labels/ ├── train/ │ ├── img1.txt │ └── ... └── val/ ├── img2044.txt └── ...

创建data.yaml文件

在YOLOv5项目的根目录下创建一个名为data.yaml的数据配置文件，内容如下：

train:./path/to/reflective_clothing_dataset/images/train/val:./path/to/reflective_clothing_dataset/images/val/nc:2# 类别数量names:['reflective_clothing','other_clothing']# 类别名称

请将路径替换为你实际的数据集路径。

3. 配置并训练YOLOv5模型

训练模型

使用YOLOv5的预训练模型开始训练。这里我们以YOLOv5s为例：

python train.py--img640--batch16--epochs50--datadata.yaml--weightsyolov5s.pt

• --img 640: 输入图像尺寸。
• --batch 16: 批次大小。
• --epochs 50: 训练轮数。
• --data data.yaml: 数据配置文件。
• --weights yolov5s.pt: 使用YOLOv5s预训练权重。

模型评估

训练完成后，可以对验证集进行评估：

python val.py--weightsruns/train/exp/weights/best.pt--datadata.yaml--img640

这会输出模型在验证集上的性能指标（如mAP）。

4. 推理代码

编写推理代码用于预测新图片中的目标：

frompathlibimportPathimportcv2importtorchfrommodels.experimentalimportattempt_loadfromutils.generalimportnon_max_suppression,scale_coordsfromutils.datasetsimportletterboxdefdetect(image_path,model,img_size=640):device='cuda'iftorch.cuda.is_available()else'cpu'names=model.module.namesifhasattr(model,'module')elsemodel.names# 读取图像img0=cv2.imread(image_path)img=letterbox(img0,new_shape=img_size)[0]img=img[:,:,::-1].transpose(2,0,1)# BGR to RGB, to 3x416x416img=np.ascontiguousarray(img)# 转换为tensorimg=torch.from_numpy(img).to(device)img=img.float()# uint8 to fp32img/=255.0# 0 - 255 to 0.0 - 1.0ifimg.ndimension()==3:img=img.unsqueeze(0)# 推理withtorch.no_grad():pred=model(img)[0]pred=non_max_suppression(pred,0.25,0.45,classes=None,agnostic=False)# 处理预测结果fori,detinenumerate(pred):# detections per imageiflen(det):det[:,:4]=scale_coords(img.shape[2:],det[:,:4],img0.shape).round()for*xyxy,conf,clsinreversed(det):label=f'{names[int(cls)]}{conf:.2f}'plot_one_box(xyxy,img0,label=label,color=(0,255,0),line_thickness=3)returnimg0# 示例用法image_path='./path/to/test/image.jpg'model=attempt_load('runs/train/exp/weights/best.pt',map_location='cuda')result_image=detect(image_path,model)cv2.imshow('Result Image',result_image)cv2.waitKey(0)cv2.destroyAllWindows()# 辅助函数：绘制边界框defplot_one_box(x,img,color=None,label=None,line_thickness=None):tl=line_thicknessorround(0.002*(img.shape[0]+img.shape[1])/2)+1# line/font thicknesscolor=coloror[random.randint(0,255)for_inrange(3)]c1,c2=(int(x[0]),int(x[1])),(int(x[2]),int(x[3]))cv2.rectangle(img,c1,c2,color,thickness=tl,lineType=cv2.LINE_AA)iflabel:tf=max(tl-1,1)# font thicknesst_size=cv2.getTextSize(label,0,fontScale=tl/3,thickness=tf)[0]c2=c1[0]+t_size[0],c1[1]-t_size[1]-3cv2.rectangle(img,c1,c2,color,-1,cv2.LINE_AA)# filledcv2.putText(img,label,(c1[0],c1[1]-2),0,tl/3,[225,255,255],thickness=tf,lineType=cv2.LINE_AA)

5. 构建GUI应用程序

使用PyQt5构建一个简单的GUI应用程序，用于选择图片并展示检测结果：

importsysfromPyQt5.QtWidgetsimportQApplication,QWidget,QVBoxLayout,QPushButton,QLabel,QFileDialogfromPyQt5.QtGuiimportQPixmapfromPyQt5.QtCoreimportQtimportcv2classApp(QWidget):def__init__(self,model):super().__init__()self.model=model self.initUI()definitUI(self):self.setWindowTitle('反光衣检测系统')layout=QVBoxLayout()self.image_label=QLabel(self)layout.addWidget(self.image_label)self.select_button=QPushButton('选择图片',self)self.select_button.clicked.connect(self.select_image)layout.addWidget(self.select_button)self.setLayout(layout)self.show()defselect_image(self):options=QFileDialog.Options()file_name,_=QFileDialog.getOpenFileName(self,"选择图片","","Image Files (*.jpg *.jpeg *.png)",options=options)iffile_name:self.detect_and_show(file_name)defdetect_and_show(self,image_path):detected_image=detect(image_path,self.model)height,width,channel=detected_image.shape bytes_per_line=3*width q_img=QImage(detected_image.data,width,height,bytes_per_line,QImage.Format_RGB888).rgbSwapped()pixmap=QPixmap.fromImage(q_img)self.image_label.setPixmap(pixmap)if__name__=='__main__':app=QApplication(sys.argv)ex=App(model)# 将训练好的模型传入sys.exit(app.exec_())

以上是从安装依赖、准备数据集、配置YOLOv5、训练模型、评估模型、推理代码到构建GUI应用程序的完整实现流程。