技术标签: 车辆目标检测 机动车检测 深度学习 智能驾驶 车辆检测数据集 YOLOv5车辆检测 车辆检测
目录
深度学习目标检测:YOLOv5实现车辆检测(含车辆检测数据集+训练代码)
本篇博客,我们将手把手教你搭建一个基于YOLOv5的车辆目标检测项目。目前,基于YOLOv5s的车辆平均精度平均值mAP_0.5=0.57192,mAP_0.5:0.95=0.41403,基本满足业务的性能需求。另外,为了能部署在手机Android平台上,本人对YOLOv5s进行了模型轻量化,开发了一个轻量级的版本yolov5s05_416和yolov5s05_320,在普通Android手机上可以达到实时的检测和识别效果,CPU(4线程)约30ms左右,GPU约25ms左右 ,基本满足业务的性能需求。
先展示一下Python版本车辆检测Demo效果:
【尊重原创,转载请注明出处】https://panjinquan.blog.csdn.net/article/details/128099672
更多项目《智能驾驶 车牌检测和识别》系列文章请参考:
智能驾驶 车辆检测(一)《UA-DETRAC BITVehicle车辆检测数据集》:https://blog.csdn.net/guyuealian/article/details/127907325
智能驾驶 车辆检测(二)《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》:https://blog.csdn.net/guyuealian/article/details/128099672
智能驾驶 车辆检测(三)《Android实现车辆检测(含Android源码 可实时运行)》:https://blog.csdn.net/guyuealian/article/details/128190532
目前收集了约10W+的车辆检测数据集:UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集:
关于车辆检测数据集使用说明和下载,详见另一篇博客说明:《UA-DETRAC BITVehicle车辆检测数据集(含下载地址)》
如果需要增/删类别数据进行训练,或者需要自定数据集进行训练,可参考如下步骤:
- 采集图片,建议不少于200张图片
- 使用Labelme等标注工具,对目标进行拉框标注:labelme工具:GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).
- 将标注格式转换为VOC数据格式,参考工具:labelme/labelme2voc.py at main · wkentaro/labelme · GitHub
- 生成训练集train.txt和验证集val.txt文件列表
- 修改engine/configs/voc_local.yaml的train和val的数据路径
- 重新开始训练
训练Pipeline采用YOLOv5: https://github.com/ultralytics/yolov5 , 原始代码训练需要转换为YOLO的格式,不支持VOC的数据格式。为了适配VOC数据,本人新增了LoadVOCImagesAndLabels用于解析VOC数据集,以便正常训练。另外,为了方便测试,还增加demo.py文件,可支持对图片,视频和摄像头的测试。
Python依赖环境,使用pip安装即可,项目代码都在Ubuntu系统和Windows系统验证正常运行,请放心使用;若出现异常,大概率是相关依赖包版本没有完全对应
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
thop # FLOPs computation
pybaseutils==0.6.5
项目安装教程请参考(初学者入门,麻烦先看完下面教程,配置好开发环境):
下载车辆检测数据集,总共约10W+的图片:UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集
考虑到UA-DETRAC车辆检测数据集比较大,其训练的模型的检测效果相对比较好,因此后续以UA-DETRAC车辆检测数据集为示例,说明训练过程。其他数据集训练,请根据自己环境,适当修改即可。
# 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, ..]
# 数据路径
path: "" # dataset root dir
# 注意数据路径分隔符使用【/】,不是【\】
# 项目不要出现含有中文字符的目录文件或路径,否则会出现很多异常!!!!!!!!
train:
- "D:/path/to/UA-DETRAC/DETRAC-VOC/DETRAC-train-voc/train.txt"
- "D:/path/to/UA-DETRAC/DETRAC-VOC/DETRAC-test-voc/test.txt" # 做模型性能测试时,测试集不要加入,避免指标有歧义
val:
- "D:/path/to/UA-DETRAC/DETRAC-VOC/DETRAC-test-voc/test.txt"
test: # test images (optional)
data_type: voc
# 1.设置类别个数,和要训练的类别名称,ID号从0开始递增
nc: 4 # number of classes
names: { 'car': 0, 'bus': 1, 'van': 2,'others': 3 }
# 2.如果你想合并几个类别进行训练,比如将'[car','bus','van']看作一类,others看作另一类,则
#nc: 2 # number of classes
#names: { 'car': 0, 'bus': 0, 'van': 0,'others': 1 }
# 3.如果你想合并所有类别为一个大类,进行训练: unique表示合并所有类为单独一个类别
#nc: 1 # number of classes
#names: { "unique": 0 }
nc: 2 # number of classes
names: { 'car': 0, 'bus': 0, 'van': 0,'others': 1 }
nc: 1 # number of classes
names: { "unique": 0 }
官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡,直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理,即将yolov5s的模型的channels通道数全部都减少一半,并且模型输入由原来的640×640降低到416×416或者320×320,该轻量化的模型我称之为yolov5s05。从性能来看,yolov5s05比yolov5s快5多倍,而mAP下降了10%(0.57→0.47),对于手机端,这精度勉强可以接受。
下面是yolov5s05和yolov5s的参数量和计算量对比:
模型 | input-size | params(M) | GFLOPs | mAP0.5 |
yolov5s | 640×640 | 7.2 | 16.5 | 0.57192 |
yolov5s05 | 416×416 | 1.7 | 1.8 | 0.47022 |
yolov5s05 | 320×320 | 1.7 | 1.1 | 0.44788 |
官方yolov5s的Anchor是基于COCO数据集进行聚类获得(详见models/yolov5s.yaml文件)
对于yolov5s05的Anchor,由于输入大小640缩小到320,其对应的Anchor也应该缩小一倍:
一点建议:
- 官方yolov5s的Anchor是基于COCO数据集进行聚类获得,不同数据集需要做适当的调整,其最优Anchor建议重新进行聚类 。
- 当然你要是觉得麻烦就跳过,不需要重新聚类Anchor,这个影响不是特别大。如果你需要重新聚类,请参考engine/kmeans_anchor/demo.py文件
整套训练代码非常简单操作,用户只需要将相同类别的数据放在同一个目录下,并填写好对应的数据路径,即可开始训练了。
- 修改训练超参文件: data/hyps/hyp.scratch-v1.yaml (可以修改训练学习率,数据增强等方式,使用默认即可)
- Linux系统终端运行,训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可)
#!/usr/bin/env bash
#--------------训练yolov5s--------------
# 输出项目名称路径
project="runs/yolov5s_640"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="yolov5s.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 640 --workers 4 --project $project
#--------------训练轻量化版本yolov5s05_416--------------
# 输出项目名称路径
project="runs/yolov5s05_416"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="yolov5s05_416.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 416 --workers 4 --project $project
#--------------训练轻量化版本yolov5s05_320--------------
# 输出项目名称路径
project="runs/yolov5s05_320"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="yolov5s05_320.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 320 --workers 4 --project $project
- Windows系统终端运行,yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可)
#!/usr/bin/env bash
#--------------训练yolov5s--------------
python train.py --data engine/configs/voc_local.yaml --cfg yolov5s.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 640 --workers 4 --project runs/yolov5s_640
#--------------训练轻量化版本yolov5s05_416--------------
python train.py --data engine/configs/voc_local.yaml --cfg yolov5s05_416.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 416 --workers 4 --project runs/yolov5s05_416
#--------------训练轻量化版本yolov5s05_320--------------
python train.py --data engine/configs/voc_local.yaml --cfg yolov5s05_320.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 320 --workers 4 --project runs/yolov5s05_320
训练模型收敛后,yolov5s车辆检测的mAP指标大约mAP_0.5=0.57192;而,yolov5s05_416 mAP_0.5=0.47022左右;yolov5s05_320 mAP_0.5=0.44788左右
训练过程可视化工具是使用Tensorboard,使用方法:
# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir ./data/model/yolov5s_640
当然,在输出目录,也保存很多性能指标的图片
demo.py文件用于推理和测试模型的效果,填写好配置文件,模型文件以及测试图片即可运行测试了
# 测试图片(Linux系统)
image_dir='data/car-test' # 测试图片的目录
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/car-result" # 保存检测结果
python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dir
Windows系统,请将$image_dir, $weights ,$out_dir等变量代替为对应的变量值即可,如
# 测试图片(Windows系统)
python demo.py --image_dir data/car-test --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/car-result
# 测试视频文件(Linux系统)
video_file="data/car-video.mp4" # path/to/video.mp4 测试视频文件,如*.mp4,*.avi等
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/car-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir
# 测试视频文件(Windows系统)
python demo.py --video_file data/car-video.mp4 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/car-result
# 测试摄像头(Linux系统)
video_file=0 # 测试摄像头ID
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/car-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir
# 测试摄像头(Windows系统)
python demo.py --video_file 0 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/car-result
如果想进一步提高模型的性能,可以尝试:
- 增加训练的样本数据: 目前只有10W+的数据量,建议根据自己的业务场景,采集相关数据,提高模型泛化能力
- 使用参数量更大的模型: 本教程使用的YOLOv5s,其参数量才7.2M,而YOLOv5x的参数量有86.7M,理论上其精度更高,但推理速度也较慢。
- 尝试不同数据增强的组合进行训练
已经完成Android版本车辆检测模型算法开发,APP在普通Android手机上可以达到实时的检测和识别效果,CPU(4线程)约30ms左右,GPU约20ms左右 ,基本满足业务的性能需求。详细说明请查看《Android实现车辆检测(含Android源码,可实时运行)》
Android Demo体验:
整套项目源码内容包含:车辆检测数据集 + YOLOv5训练代码和测试代码
整套项目下载地址:深度学习目标检测:YOLOv5实现车辆检测(含车辆检测数据集+训练代码)
(1)车辆检测数据集:UA-DETRAC BITVehicle车辆检测数据集(含下载地址)
- UA-DETRAC车辆检测数据集
- Vehicle-Dataset车辆检测数据集
- BIT-Vehicle车辆检测数据集
(2)YOLOv5训练代码和测试代码(Pytorch)
- 整套YOLOv5项目工程的训练代码和测试代码
- 支持高精度版本yolov5s训练和测试
- 支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试
- 项目源码自带训练好的模型文件,可直接运行测试Demo
- 根据本篇博文说明,简单配置即可开始训练
更多项目《智能驾驶 车牌检测和识别》系列文章请参考:
智能驾驶 车辆检测(一)《UA-DETRAC BITVehicle车辆检测数据集》:https://blog.csdn.net/guyuealian/article/details/127907325
智能驾驶 车辆检测(二)《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》:https://blog.csdn.net/guyuealian/article/details/128099672
智能驾驶 车辆检测(三)《Android实现车辆检测(含Android源码 可实时运行)》:https://blog.csdn.net/guyuealian/article/details/128190532
文章浏览阅读5.4k次。TP-link无线网卡官方驱动不支持Ubuntu20,经过查找资料,遇到问题,不断尝试之后得到解决!_ubuntu tplink无线网卡驱动
文章浏览阅读2.3k次,点赞2次,收藏10次。使用工具:eclipse步骤:1、运行eclipse2、选择需要打包成jar包的java文件3、右击选择-->Export4、选择Java下面的JAR file-->next5、勾选如下图,然后Next-->Next注意:JAR file输入框中需要填写打包好的jar文件存放的目录6、确认需要打包的文件,如下图选择好之后,点击fi_java如何打包成压缩后jar包
文章浏览阅读7.9k次,点赞83次,收藏416次。大家前面学过Python基础知识的都知道,Python为我们封装了列表、字典等高级数据类型,并且他们都带有一系列增、删、改、除的方法,让我们能够很方便的处理一些问题。以目前我们这些人的技术水平可能觉得这些东西就够了,照样能够快速的解决很多的问题。可是随着知识的深..._python封装好的数据结构
文章浏览阅读199次。计算机应用能力考试教材:Windows XP操作系统(题库版)语音编辑锁定讨论上传视频《计算机应用能力考试教材:WindowsXP操作系统(题库版)》是2011年电子工业出版社出版的图书,作者是全国专业技术人员计算机应用能力考试专家委员会。书名计算机应用能力考试教材:Windows XP操作系统(题库版)作者全国专业技术人员计算机应用能力考试专家委员会ISBN97871211364..._计算机应用能力考试windows xp
文章浏览阅读404次。一、DBObject 转为 JavaBean /** * 将实体Bean对象转换成DBObject * */ public static <T> DBObject beanToDBObject(T bean) throws IllegalArgumentException, IllegalA..._mongodb dbobject转javabean
文章浏览阅读903次。一、在src下的pages.json文件里面写入easycom规则。三、接下来运行项目就能使用啦,不用手动导入组件。二、npm下载uni-ui。_vscode uniapp 自动引入组件easycom
文章浏览阅读2.6k次,点赞2次,收藏4次。注:用static去定义一个注入的方法或者配置文件值变量,编译时不会有任何异常,运行时会报空指针。Spring官方不推荐此种方法。原理:https://www.cnblogs.com/chenfeng1122/p/6270217.html解决办法利用spring的set注入方法,通过非静态的setter方法注入静态变量 ,我们可以改成这样就静态变量可以获取到你配置的信息了。把get,set方法的static 修饰符去掉,然后在set方法上面加@Autowired即可/*.._springboot autowired static
文章浏览阅读2.1w次,点赞15次,收藏22次。最近有点闲,就学习了下react,没想到就把react学完了,觉得还不错,就打算出一把react+datav的简易版可视化数据大屏供大家做个参考。 datav框架 echarts2,路由设计 在路由上,我是绑定一个index的路由作为组件,然后在index添加自适应的全局容器,当容器设置完成后,就在就在将其他的小的模块给一个个导入进来, _用react写数据可视化大屏
文章浏览阅读4.2k次。人工智能:文本去掉停用词stopwords为了彻底搞懂本质,写的非常细!(1)准备停用词import pandas as pdimport jieba# 准备停用词stopwords = pd.read_csv("data/stopwords.txt", index_col=False, quoting=3, sep='\t', names=['word'], encoding='u..._nlp 去除停用词
文章浏览阅读504次。vs资源试图添加窗口可修改ID,会自动创建对于ID数据的,在.h文件中enum { IDD = IDD_XXX};中可以使用类视图添加窗口消息_类视图消息
文章浏览阅读10w+次,点赞413次,收藏1.3k次。简介JRebel是一套JavaEE开发工具。Jrebel 可快速实现热部署,节省了大量重启时间,提高了个人开发效率。JRebel是一款JAVA虚拟机插件,它使得JAVA程序员能在不进行重部署的情况下,即时看到代码的改变对一个应用程序带来的影响。JRebel使你能即时分别看到代码、类和资源的变化,你可以一个个地上传而不是一次性全部部署。当程序员在开发环境中对任何一个类或者资源作出修改的时候,这..._jrebel
文章浏览阅读2.8k次。tr69抓包调试:loglevel set tr69c Debuglogdest set tr69c Telnetsoapdebug enablesave2、开启WAN接口 debugloglevel set wanmgr Debug3、omci 调试命令(必须接串口):echo msg err 1 &gt; /proc/gpon/debugecho msg oam 1..._echo pll_reset > /proc/pon_phy/debug