前言：

隨著自動(dòng)駕駛技術(shù)的不斷發(fā)展，汽車目標(biāo)檢測(cè)成為了研究的熱點(diǎn)。本文將介紹公開(kāi)＋自定義的yolov5汽車目標(biāo)檢測(cè)數(shù)據(jù)集以及用linux操作系統(tǒng)訓(xùn)練yolov5。

先展示一下推理結(jié)果：

?GPU在13.2ms每幀，基本滿足項(xiàng)目需要。

一、數(shù)據(jù)集簡(jiǎn)介

前段時(shí)間跟朋友一起整理了一個(gè)汽車目標(biāo)的數(shù)據(jù)集，主要包括UA-DETRAC車輛檢測(cè)數(shù)據(jù)集和自定義數(shù)據(jù)集。

1.UA-DETRAC車輛檢測(cè)數(shù)據(jù)集

UA-DETRAC車輛檢測(cè)數(shù)據(jù)集是一個(gè)具有挑戰(zhàn)性的真實(shí)世界多目標(biāo)檢測(cè)和多目標(biāo)跟蹤基準(zhǔn)。該數(shù)據(jù)集是由北京智能車聯(lián)科技有限公司（簡(jiǎn)稱“智車科技”）開(kāi)發(fā)并維護(hù)的，旨在為自動(dòng)駕駛和智能交通領(lǐng)域的研究人員提供一個(gè)真實(shí)、豐富且具有挑戰(zhàn)性的測(cè)試平臺(tái)。

該數(shù)據(jù)集包括在中國(guó)北京和天津的24個(gè)不同地點(diǎn)使用Cannon EOS 550D相機(jī)拍攝的10小時(shí)視頻。這些視頻主要拍攝于道路過(guò)街天橋（京津冀場(chǎng)景），覆蓋了各種復(fù)雜的道路條件和交通場(chǎng)景。為了確保數(shù)據(jù)集的真實(shí)性和多樣性，研究人員需要手動(dòng)標(biāo)注8250個(gè)車輛和121萬(wàn)目標(biāo)對(duì)象外框。這一過(guò)程需要對(duì)每個(gè)目標(biāo)進(jìn)行詳細(xì)的分類和邊界框標(biāo)注，以確保模型能夠在各種實(shí)際場(chǎng)景中表現(xiàn)出良好的性能。

UA-DETRAC數(shù)據(jù)集包含了大量的車輛和行人目標(biāo)，涵蓋了多種類型和大小的目標(biāo)。這使得研究人員能夠在訓(xùn)練和評(píng)估自動(dòng)駕駛算法時(shí)，更好地理解和處理現(xiàn)實(shí)世界中的復(fù)雜交通場(chǎng)景。此外，該數(shù)據(jù)集還提供了一些輔助數(shù)據(jù)，如語(yǔ)義分割圖、車道線標(biāo)注等，以幫助研究人員更全面地理解場(chǎng)景信息，從而提高模型的性能。

官方網(wǎng)站：https://detrac-db.rit.albany.edu/

?2.自定義數(shù)據(jù)集

采集道路視頻，并對(duì)視頻進(jìn)行抽幀，得到：

再使用labelimg標(biāo)注工具對(duì)目標(biāo)進(jìn)行標(biāo)注，得到標(biāo)簽的txt格式文件。

二.模型訓(xùn)練

由于作者使用的是linux服務(wù)器字符操作界面對(duì)yolov5進(jìn)行訓(xùn)練，這方面的資料比較少，作者將詳細(xì)介紹。

1.準(zhǔn)備工作

(1).yolov5代碼庫(kù)

yolov5的代碼庫(kù)：https://github.com/ultralytics/yolov5/tree/v5.0

首先打開(kāi)上述官網(wǎng)，點(diǎn)擊右上角"Code"(或克隆)，點(diǎn)擊"ZIP"下載壓縮包。

?

(2).安裝anaconda

可觀看此視頻(來(lái)自b站)：?https://b23.tv/YPCL0Ks

輸入`conda`后，返回結(jié)果如下，說(shuō)明安裝成功

(3).配置各種環(huán)境

首先創(chuàng)建運(yùn)行yolov5的虛擬環(huán)境，conda命令為：

conda create -n?<你自己定義一個(gè)名字>

進(jìn)入環(huán)境：

conda activate <你自己定義的環(huán)境的名字>

其次，配置yolov5的依賴環(huán)境，使用pip安裝即可，安裝命令如下：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple #由于默認(rèn)下載源過(guò)慢，因此我們使用清華源(也可以用其他源)

只需要在創(chuàng)建的虛擬環(huán)境中執(zhí)行上述命令，我們的依賴環(huán)境便安裝完成。下面進(jìn)行開(kāi)發(fā)環(huán)境的安裝。由于GPU訓(xùn)練過(guò)慢，因此我們安裝CUDA和cuDNN，調(diào)用GPU進(jìn)行訓(xùn)練。另外，我們還需要安裝Pytorch，因?yàn)閥olov5的實(shí)現(xiàn)依賴于Pytorch提供的深度學(xué)習(xí)計(jì)算能力與優(yōu)化工具，同時(shí)yolov5也提供了Pytorch接口方便用戶使用。這里我們選擇用conda安裝，一條命令即可。操作如下：

首先在操作界面輸入：

nvidia-smi

可以看到驅(qū)動(dòng)版本，最高支持的CUDA版本是12.2版本，得到顯卡的最高支持CUDA版本，我們就可以開(kāi)始依據(jù)這個(gè)信息安裝環(huán)境了。

然后，進(jìn)入Pytorch官網(wǎng)：https://pytorch.org/

找到你要安裝的版本、所用系統(tǒng)以及要使用操作工具(操作工具我們選擇conda)

我的下載命令是：

conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

靜等安裝完成后，我們要驗(yàn)證能否使用：

在操作界面輸入"Python"啟動(dòng)Python解釋器并進(jìn)入交互式模式，緊接著輸入"import torch"回車，再輸入"torch.cuda.is_available()"回車，返回"True"，則說(shuō)明安裝成功并可以使用。

如果安裝錯(cuò)了可以用這個(gè)命令進(jìn)行卸載:

pip uninstall torch torchvision? torchaudio??

(4).準(zhǔn)備數(shù)據(jù)集

作者的數(shù)據(jù)集(含圖片和txt標(biāo)簽)鏈接：

鏈接:https://pan.baidu.com/s/1eCnfjV993Kn2ys-QRNoGtw?

提取碼:8cm1

一共近700張圖片，約8000個(gè)目標(biāo)：UA-DETRAC車輛檢測(cè)數(shù)據(jù)集+自定義數(shù)據(jù)集。

當(dāng)然，如果您有自己的數(shù)據(jù)集也可以用，但是要注意源代碼只支持txt格式的標(biāo)簽文件，因此需要將VOC數(shù)據(jù)或其他格式，因此需要轉(zhuǎn)一下格式，以便正常訓(xùn)練。下面是txt標(biāo)簽文件的格式。

(5).準(zhǔn)備配置數(shù)據(jù)文件(.yaml)

以下是作者的配置文件：

# 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, ..]

# 數(shù)據(jù)路徑

path: "/data3/wth/yolov5-master/data/" # dataset root dir

# 注意數(shù)據(jù)路徑分隔符使用【/】,不是【\】

# 項(xiàng)目不要出現(xiàn)含有中文字符的目錄文件或路徑

train:"images/train"

val:?"images/val"

#也可以將圖片路徑匯總到一個(gè)txt文件中，將train或val的路徑修改為"images/train.txt"即可(例子)

test: # test images (optional)

# 設(shè)置類別個(gè)數(shù)，和要訓(xùn)練的類別名稱，ID號(hào)從0開(kāi)始遞增

nc: 1# number of classes

names: { 'car': 0?}

#1.作者僅設(shè)置一個(gè)標(biāo)簽?zāi)繕?biāo)，若多個(gè)目標(biāo)可仿照如下設(shè)置：

#nc: 4 # number of classes

#names: { 'car': 0, 'bus': 1, 'van': 2,'others': 3 }

# 2.若合并幾個(gè)類別進(jìn)行訓(xùn)練，比如將'[car','bus','van']看作一類，others看作另一類，則

#nc: 2 # number of classes

#names: { 'car': 0, 'bus': 0, 'van': 0,'others': 1 }

# 3.若合并所有類別為一個(gè)大類，進(jìn)行訓(xùn)練： unique表示合并所有類為單獨(dú)一個(gè)類別

#nc: 1 # number of classes

#names: { "unique": 0 }

將yaml放到y(tǒng)olov5的源代碼庫(kù)中。

2.開(kāi)始訓(xùn)練

進(jìn)入環(huán)境:

conda activate yolo#我的環(huán)境的名字

進(jìn)入yolov5-master的目錄:

cd yolov5-master

訓(xùn)練命令：

python train.py?--img 640 --batch 160--epochs 300 --data data/car.yaml --cfg models/yolov5l.yaml --weights '' --device 0

下面是上述訓(xùn)練命令各個(gè)參數(shù)的含義：

- `--img`: 輸入圖像的大小，這里設(shè)置為640。
- `--batch`: 每個(gè)批次的樣本數(shù)量，這里設(shè)置為16。
- `--epochs`: 訓(xùn)練的總輪數(shù)（iterations），這里設(shè)置為300。
- `--data`: 數(shù)據(jù)集配置文件的路徑，這里使用上述提及的數(shù)據(jù)集，對(duì)應(yīng)的配置文件為`car.yaml`。
- `--cfg`: 模型配置文件的路徑，這里使用yolov5l模型的配置文件，對(duì)應(yīng)的文件路徑為`models/yolov5l.yaml`。
- `--weights`: 預(yù)訓(xùn)練權(quán)重文件的路徑，這里不使用預(yù)權(quán)重文件。

-`--device`:使用的顯卡的編號(hào)，這里使用的是編號(hào)為0的顯卡。

這些參數(shù)都是用來(lái)配置訓(xùn)練過(guò)程的，可以根據(jù)實(shí)際需求進(jìn)行調(diào)整。

命令執(zhí)行后可以看到以下畫面

?若中途不小心退出，可以在上述訓(xùn)練命令的基礎(chǔ)上在末尾加上`--resume`參數(shù)并將`--weights ''`更替為`--weights runs/train/exp/weights/last.pt`。

?訓(xùn)練結(jié)束后我們可以看到權(quán)重文件保存的位置在本文件夾的runs/train/exp14/weights路徑下。

在此文件夾中還包括模型訓(xùn)練后的各種信息：

?1.F1-curve顯示了模型在不同閾值下的精確率和召回率之間的關(guān)系。?在F1-curve中，橫軸表示召回率，縱軸表示精確率。當(dāng)精確率和召回率都很高時(shí)，F(xiàn)1-score也會(huì)很高。

2.P-curve顯示了模型在不同閾值下的精確率和召回率之間的關(guān)系。?在P-curve中，橫軸表示召回率，縱軸表示精確率。當(dāng)精確率和召回率都很高時(shí)，P-score也會(huì)很高。

3.PR-curve顯示了模型在不同閾值下的精確率和召回率之間的關(guān)系。?在PR-curve中，橫軸表示召回率，縱軸表示精確率。當(dāng)精確率和召回率都很高時(shí)，P-score也會(huì)很高。

4.R-curve顯示了模型在不同閾值下的召回率和精確率之間的關(guān)系。?TPR曲線顯示了模型在不同閾值下的真正例率和假正例率之間的關(guān)系。

3.進(jìn)行推理

?我們用最好的best.pt權(quán)重文件進(jìn)行推理，推理命令如下：

python detect.py --source data/detect.mp4 --weights runs/train/exp7/weights/best.pt

我們可以看到結(jié)果：

作者訓(xùn)練得到的模型以及各種模型信息壓縮包：

鏈接:https://pan.baidu.com/s/1wjnOCCxX0-SqwvAZQYqrxw?pwd=2654?

提取碼:2654

到了這里，關(guān)于yolov5汽車檢測(cè)linux字符界面操作全流程，適合上手(含數(shù)據(jù)集近700張圖片8000多個(gè)目標(biāo)+訓(xùn)練好的模型)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)！