一. 前言

以下代碼只可用于私服，不可商用，代碼完全開(kāi)源，因?yàn)樽约旱难芯糠较蛞彩巧疃葘W(xué)習(xí)方向，而且平時(shí)閑的時(shí)候還喜歡玩會(huì)cf火線等槍戰(zhàn)，就想著找一個(gè)大模型做一個(gè)對(duì)游戲敵人的識(shí)別的功能，一切實(shí)現(xiàn)之后就想把自己的心得寫出來(lái)，我打算分倆個(gè)教程分別細(xì)述整個(gè)學(xué)習(xí)以及操作的過(guò)程，教程一主要包括了yolov5的基本使用，制作并訓(xùn)練自己的數(shù)據(jù)集，第二個(gè)教程包括對(duì)yolov5添加或修改部分代碼以達(dá)到實(shí)現(xiàn)完整功能的目的

提示：看這篇文章需要會(huì)一些虛擬環(huán)境的基礎(chǔ)操作以及python的基本操作，如果對(duì)虛擬環(huán)境不了解，對(duì)cudnn和cuda不了解可以看下面這篇文章? ==》https://blog.csdn.net/calmdownn/article/details/130609866

二. 制作數(shù)據(jù)集

2.1?下載labelImg 和 所需配置庫(kù)

進(jìn)入aconda虛擬環(huán)境中之后下載下面三個(gè)庫(kù)文件

pip install PyQt5 -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
?
pip install pyqt5-tools -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
?
pip install lxml -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

labelImg : 到github上將labelImg壓縮包下載下來(lái)，我用的是1.8.1的版本? ==》labelImg下載地址

2.2 進(jìn)入虛擬環(huán)境編譯resources.py文件之后啟動(dòng)labelImg

進(jìn)入虛擬環(huán)境之后切換到（cd）下載之后的labelImg文件夾目錄，執(zhí)行以下命令將qt文件轉(zhuǎn)化為.py

pyrcc5 -o resources.py resources.qrc

(我的python版本是3.8),最后運(yùn)行l(wèi)abelImg.py的python文件,打開(kāi)labelImg

python labelImg.py

注意：可能會(huì)爆出以下錯(cuò)誤，提示在libs文件中找不到resources文件

解決方法：將resources.py文件轉(zhuǎn)移到libs文件夾中

打開(kāi)之后如下：

點(diǎn)擊PascalVoc按鈕，將其切換成yolo格式，open就是打開(kāi)你原始圖片的文件夾，open dir 就是打開(kāi)你的目標(biāo)圖片文件夾（推薦這個(gè)），change save Dir就是改變你的保存路徑

?下面是它的快捷鍵：

2.3 使用labelImg

添加原圖片，按w進(jìn)行拉框，拉框之后為其命名即可

?我這里是畫了一個(gè)頭和一個(gè)身子

?全部畫完之后按住 ctrl + s 進(jìn)行保存，你就能在原先設(shè)置的存儲(chǔ)路徑中看見(jiàn)一個(gè).txt的文件了

打開(kāi)txt文件之后如下，0和1分別代表頭部類和身體類，四個(gè)數(shù)值分別代表你畫框的左上角坐標(biāo)和右下角坐標(biāo)

到這制作數(shù)據(jù)集的步驟就結(jié)束了，下面開(kāi)始下載并使用yolov5模型

三. yolov5的下載與使用

3.1 官網(wǎng)下載yolov5

進(jìn)入github，選擇版本然后下載，我下載的版本是7.0版本 ==》yolov5下載地址

?下載完打開(kāi)如下：

3.2 配置yolov5的所需虛擬環(huán)境

基本的虛擬環(huán)境創(chuàng)建

注意事項(xiàng)：

1).確定你的顯卡驅(qū)動(dòng)版本，下載對(duì)應(yīng)的cuda和cudnn，是為了能夠使用gpu版本的pytorch，比如我的電腦顯卡是1060，所對(duì)應(yīng)的cuda和cudnn版本分別就是10.2和7.6.5版本

顯卡與cuda和cudnn的對(duì)應(yīng)關(guān)系以及虛擬環(huán)境的知識(shí)可以看下面這篇文章 == 》Anaconda/jupyter notebook安裝使用tensorflow-gpu_jupyter notebook安裝tensorflow_calmdownn的博客-CSDN博客

2).注意pytorch的版本，yolov5的官網(wǎng)有聲明，至少pytorch要大于1.7.0版本，所以我下載的是1.8.1版本

conda install cudatoolkit=10.2 -c? https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/

conda install cudnn=7.6.5 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/

conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=10.2 -c pytorch

pytorch對(duì)應(yīng)的工具包下載地址 == 》https://pytorch.org/get-started/previous-versions/

比如你要下載1.8.1版本的gpu的pytorch，就可以 ctrl + f 全局搜索，找到linux和windows的下載，然后找準(zhǔn)你對(duì)應(yīng)的cuda版本下載就可以了

建議：最好先看看官網(wǎng)支持的cuda有什么版本，然后根據(jù)你的顯卡再去選擇cuda會(huì)更省力一些

3)測(cè)試pytorch的gpu版本是否可以使用

進(jìn)入虛擬環(huán)境，運(yùn)行python之后，導(dǎo)入import，執(zhí)行下面語(yǔ)句判斷gpu版本是否可用，如果結(jié)果為true就代表成功了

print(torch.cuda.is_available())

4)其他包的安裝

剩余其他工具包的安裝就比較簡(jiǎn)單了，一鍵自動(dòng)安裝即可，命令如下

注意：使用這個(gè)命令的前提還是要進(jìn)入虛擬環(huán)境之后，通過(guò)cd切換到y(tǒng)olov5文件目錄下才能執(zhí)行

pip install -r requirements.txt

?下面就是requirements.txt的位置和內(nèi)容

3.3 測(cè)試yolov5運(yùn)行

1) 下載yolov5s.pt文件，放進(jìn)根目錄中，網(wǎng)址 ==》?https://github.com/ultralytics/yolov5/releases

進(jìn)入網(wǎng)站往下翻，看到assets配置，點(diǎn)擊展開(kāi)全部assets，找到y(tǒng)olov5s.pt文件下載下來(lái)

將yolov5s.pt文件放入根目錄下面

2) 打開(kāi)pycharm或者其他的編輯軟件導(dǎo)入yolov5這個(gè)文件夾，這里只用pycharm舉例了，將pycharm切換到你創(chuàng)建的虛擬環(huán)境，如果沒(méi)有的自己add添加一下自己的虛擬環(huán)境，如果不會(huì)的查一下，這里就不多說(shuō)了

3) 更改參數(shù)

打開(kāi)detect.py的文件，在根目錄下可以找到

找到下面畫紅線的幾行參數(shù)，yolov5-7.0版本在212行開(kāi)始，將你們的代碼圖片中畫紅線的地方改成同樣的代碼，我簡(jiǎn)單說(shuō)下一些屬性的功能

weights :? 代表權(quán)重，yolov5s.pt也就是官方已經(jīng)訓(xùn)練好的權(quán)重，經(jīng)過(guò)很多數(shù)據(jù)集鍛煉出來(lái)的，有一些基本的類識(shí)別功能，我們以后就是在這個(gè)權(quán)重上繼續(xù)訓(xùn)練的，也就是站在巨人的肩膀前進(jìn)

source :? 代表來(lái)源，這個(gè)來(lái)源可以是圖片，視頻，屏幕等，這里測(cè)試用的就是yolov5里面自帶的照片，大家可以照著路徑找一下這個(gè)圖片

data :? 代表數(shù)據(jù)配置文件，.yaml文件里面包含了訓(xùn)練集，實(shí)驗(yàn)集，測(cè)試集路徑，還包含了識(shí)別的所有類別名稱集合，無(wú)論是訓(xùn)練還是測(cè)試都會(huì)用到

device :? 設(shè)備名稱，如果你只有一個(gè)顯卡默認(rèn)改為0即可，如果你有多個(gè)顯卡可以寫成 0,1,2這個(gè)形式

view-img，save-txt 等，這些都是一些不太重要的屬性，也就是是否彈出預(yù)測(cè)圖片，是否生成txt文件等等

4) 運(yùn)行

上面都準(zhǔn)備好之后就可以運(yùn)行detect.py文件了

運(yùn)行成功之后提示如下，運(yùn)行之后的結(jié)果圖片會(huì)自動(dòng)保存到runs\detect\exp文件夾之下

3.4 利用yolov5測(cè)試自己的數(shù)據(jù)

1) 構(gòu)建自己的數(shù)據(jù)文件目錄

創(chuàng)建一個(gè)mydata文件夾，mydata文件夾下面有倆個(gè)子文件夾，分為images，labels，里面又分為三個(gè)文件夾，測(cè)試集，訓(xùn)練集，驗(yàn)證集，images文件保存的就是原圖片，labels文件保存的是.txt文件，里面有類別和坐標(biāo)，忘了的看2.3，我們要將數(shù)據(jù)分成三類，我寫了一個(gè)小腳本用來(lái)將所有的數(shù)據(jù)集分類

下面就是我寫的數(shù)據(jù)集分類腳本部分：

使用方式：只需要更改source_folder_jpg(你的所有圖片地址)，source_folder_txt(l圖片對(duì)應(yīng)的.txt文件地址)，destination_folder(你想要生成的目標(biāo)文件夾地址)?，split_ratio_val(驗(yàn)證集的比例)，split_radio_test(測(cè)試集的比例)

運(yùn)行之前文件夾圖片如下：

運(yùn)行之后文件夾圖片如下：

mydata文件夾就已經(jīng)包含了yolov5數(shù)據(jù)集的整體格式了，直接將它移動(dòng)到data根目錄下就行了，忘了放到什么位置的看3.4的第一步就知道了

腳本代碼：

import os
import shutil
import random

def random_split_files(source_folder_jpg,source_folder_txt,destination_folder,split_val=0.3,split_test=0.3):

    # yolov5的文件夾格式
    mydata_folder = os.path.join(destination_folder, 'mydata')  # mydata文件夾
    images_folder = os.path.join(mydata_folder,'images')  # images文件夾
    labels_folder = os.path.join(mydata_folder, 'labels')  # lables文件夾
    img_train_folder = os.path.join(images_folder,'train')  # img_train文件夾
    img_val_folder = os.path.join(images_folder, 'val')     # img_val文件夾
    img_test_folder = os.path.join(images_folder,'test')    # img_test文件夾
    lbs_train_folder = os.path.join(labels_folder, 'train')  # label_train文件夾
    lbs_val_folder = os.path.join(labels_folder, 'val')  # label_val文件夾
    lbs_test_folder = os.path.join(labels_folder, 'test')  # label_test文件夾

    # 放入列表中
    folder_list = []
    folder_list.append(img_train_folder)
    folder_list.append(img_val_folder)
    folder_list.append(img_test_folder)
    folder_list.append(lbs_train_folder)
    folder_list.append(lbs_val_folder)
    folder_list.append(lbs_test_folder)

    # 判斷文件夾是否存在
    for forder_name in folder_list:
        if os.path.exists(forder_name) == False:
            os.makedirs(forder_name)
        pass

    # 打開(kāi)數(shù)據(jù)集的照片以及txt文件
    files_jpg = os.listdir(source_folder_jpg)
    files_txt = os.listdir(source_folder_txt)

    # 打亂照片順序
    random.shuffle(files_jpg)

    # 三數(shù)據(jù)數(shù)量
    num_files_val = int(len(files_jpg) * split_val)
    num_files_test = int(len(files_jpg) * split_test)
    num_files_train = int(len(files_jpg) - num_files_test - num_files_val)

    # 判斷數(shù)量是否符合
    if num_files_train <= 0:
        print("驗(yàn)證集和和測(cè)試集數(shù)量比例不對(duì)！")
        return

    files_train = files_jpg[:num_files_train]
    files_val = files_jpg[num_files_train:num_files_train + num_files_val]
    files_test = files_jpg[num_files_train + num_files_val:]


    for filename_train in files_train:
        # print(filename)
        filename_txt = filename_train.replace(".jpg",".txt")
        source_path_jpg = os.path.join(source_folder_jpg, filename_train)
        source_path_txt = os.path.join(source_folder_txt, filename_txt)
        destination_path_jpg = os.path.join(img_train_folder, filename_train)
        destination_path_txt = os.path.join(lbs_train_folder, filename_txt)
        shutil.copy(source_path_jpg, destination_path_jpg)
        shutil.copy(source_path_txt, destination_path_txt)

    print("訓(xùn)練集jpg,txt文件傳送完畢")

    for filename_val in files_val:
        filename_txt = filename_val.replace(".jpg", ".txt")
        source_path_jpg = os.path.join(source_folder_jpg, filename_val)
        source_path_txt = os.path.join(source_folder_txt, filename_txt)
        destination_path_jpg = os.path.join(img_val_folder, filename_val)
        destination_path_txt = os.path.join(lbs_val_folder, filename_txt)
        shutil.copy(source_path_jpg, destination_path_jpg)
        shutil.copy(source_path_txt, destination_path_txt)

    print("驗(yàn)證集jpg,txt文件傳送完畢")

    for filename_test in files_test:
        filename_txt = filename_test.replace(".jpg", ".txt")
        source_path_jpg = os.path.join(source_folder_jpg, filename_test)
        source_path_txt = os.path.join(source_folder_txt, filename_txt)
        destination_path_jpg = os.path.join(img_test_folder, filename_test)
        destination_path_txt = os.path.join(lbs_test_folder, filename_txt)
        shutil.copy(source_path_jpg, destination_path_jpg)
        shutil.copy(source_path_txt, destination_path_txt)

    print("測(cè)試集jpg,txt文件傳送完畢")


if __name__ == "__main__":
    source_folder_jpg = "D:\lableimg1.8\csdn\dataset_pic"   # 原圖片地址
    source_folder_txt = "D:\lableimg1.8\csdn\dataset_txt"   # 原圖片txt地址
    destination_folder = "D:\lableimg1.8\csdn"              # 目標(biāo)地址
    split_ratio_val = 0.2  # 驗(yàn)證集分割比例
    split_ratio_test = 0.2  # 測(cè)試集分割比例
    random_split_files(source_folder_jpg, source_folder_txt, destination_folder, split_ratio_val,split_ratio_test)

2) 創(chuàng)建自己的.yaml文件

在data根目錄下新建一個(gè).yaml文件，我的就是crossFire.yaml了，里面包含了訓(xùn)練集，測(cè)試集，驗(yàn)證集的地址，如果和我一樣結(jié)構(gòu)就不用改了，如果不一樣自行改就行了，這個(gè)文件里面還包含了訓(xùn)練的類別

?

train: data/mydata/images/train # train images (relative to 'path') 128 images
val: data/mydata/images/val  # val images (relative to 'path') 128 images
test: data/mydata/images/test # test images (optional)

names:
  0: body
  1: head

3) train.py文件配置

注意：下面畫紅線的都是需要改的，其他屬性可以和我一樣，主要是batch-size,epoch,workers，最好根據(jù)自己電腦情況來(lái)改變

屬性介紹：

weights：權(quán)重，我們正常就用yolov5s.pt就行了，和上面detect.py預(yù)測(cè)文件一樣

cfg：我們用的模型的配置文件，因?yàn)槲覀冇玫膟olov5s，所以這里就用yolov5s.yaml文件，在models文件的根目錄下就能看見(jiàn)

data：數(shù)據(jù)集的配置文件，和上面detect.py預(yù)測(cè)文件一樣，上面自己創(chuàng)建的.yaml文件

epochs：迭代次數(shù)，這里建議300-600次之間較好，多了可能會(huì)高方差過(guò)擬合，少了可能會(huì)高偏差欠擬合

batch-size：塊訓(xùn)練大小，這個(gè)數(shù)量大小根據(jù)顯卡情況來(lái)定就行，比如我的1060 3G顯存每次只能設(shè)定為8，如果大于8我的顯存就會(huì)爆，會(huì)提示out of memory，這里建議2倍遞增即可，比如選擇 2/4/8/16/32/64 等

batch-size擴(kuò)展（可以不用看）: batch-size其實(shí)就是將一大塊訓(xùn)練的數(shù)據(jù)集隨機(jī)分成多個(gè)小塊去進(jìn)行訓(xùn)練，這樣模型可以根據(jù)每一塊訓(xùn)練結(jié)束后的loss損失值去調(diào)整權(quán)重，更好的適應(yīng)下一塊的訓(xùn)練,這樣在圖像上表現(xiàn)出來(lái)的就是Loss會(huì)穩(wěn)步上升，比不用batch-size更加穩(wěn)定，而且更加節(jié)省內(nèi)存資源，總體循環(huán)次數(shù)會(huì)多出batch-size - 1次

device：選擇顯卡，如果你只有一張顯卡默認(rèn)0就行了，如果你有多張，就可以寫成0,1,2等

workers： 數(shù)據(jù)預(yù)處理時(shí)候所用的cpu線程數(shù)量，如果電腦不太行，就默認(rèn)0就可以了，我的1060 3G就只設(shè)置的為0，多線程也比較吃顯存，因?yàn)橛?xùn)練的時(shí)候gpu吃的比較多，所以cpu做一些比如預(yù)處理的操作之后會(huì)等待gpu的操作完成再繼續(xù)，所以用多線程就會(huì)把cpu利用的更充分一點(diǎn)，我租服務(wù)器的時(shí)候workers設(shè)置的就為8，3080ti顯卡12G

4) 運(yùn)行train.py文件

上面都準(zhǔn)備好就可以運(yùn)行了，運(yùn)行圖片如下：

3.5 訓(xùn)練結(jié)果使用

1)?訓(xùn)練結(jié)果儲(chǔ)存位置：

訓(xùn)練結(jié)束之后可以在runs/train/exp(exp1就代表第一次訓(xùn)練文件夾，exp2代表第二次)/weights下找到best.pt，和last.pt文件，best.pt文件就代表訓(xùn)練過(guò)程中取某一次循環(huán)中l(wèi)oss代價(jià)函數(shù)最低的一次權(quán)重，也就是效果最好的一次，last.pt文件就是最后一次循環(huán)的權(quán)重文件

2) 利用best.pt文件進(jìn)行預(yù)測(cè)操作

對(duì)沒(méi)錯(cuò)，你費(fèi)勁千辛萬(wàn)苦就是為了得到這個(gè)best.pt文件，將detect.py文件中的權(quán)重路徑換成你訓(xùn)練得到的best.pt文件路徑（更改weights屬性，忘了的看3.3的第三小步，detect.py文件配置那塊），source屬性換成你想要預(yù)測(cè)的照片/視頻的地址，data屬性換成你自己寫的.yaml文件，下面地方都可以根據(jù)情況更改

3) 預(yù)測(cè)

預(yù)測(cè)之后的存儲(chǔ)地址就在runs/detect/exp(第幾次預(yù)測(cè)后面就是數(shù)字幾)，如果你想更改存儲(chǔ)的地址可以找到project屬性進(jìn)行更改，目錄結(jié)構(gòu)如下:

下面這張圖片就是我隨便從訓(xùn)練集里選出來(lái)的一張圖片，咱們看看效果

?結(jié)果圖如下：

四. 材料與總結(jié)

4.1 材料

如果想要敵我數(shù)據(jù)集或者整個(gè)項(xiàng)目的可以郵箱聯(lián)系我（874302104@qq.com），因?yàn)榘俣仍粕蟼鞔箜?xiàng)目需要vip才可，大概有16000千張不同人物不同地點(diǎn)標(biāo)注好的敵我標(biāo)注

4.2 總結(jié)

yolov5的基礎(chǔ)到這就結(jié)束了，下一篇我將講述如何進(jìn)行時(shí)時(shí)監(jiān)控屏幕以及自動(dòng)進(jìn)行瞄準(zhǔn)，如果有什么困難和不懂的也可以郵箱聯(lián)系我哦！文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-679497.html

到了這里，關(guān)于yolov5識(shí)別cf火線敵人（FPS類的AI瞄準(zhǔn)）詳細(xì)教程一的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！