目前进展

​ 之前提到使用yolov5官方代码实现了目标检测，并且使用第三方tensorrt库实现加速推理。

​ 最近有一些科研上的需求，因为yolov5官方代码冗余度太高，于是寻找了yolov5的第三方库，注释非常清晰，可读性非常高，遂决定基于这个库开展接下来的工作。

使用记录

​ 工程参考：https://github.com/bubbliiiing/yolov5-pytorch#%E6%96%87%E4%BB%B6%E4%B8%8B%E8%BD%BD

​ YOLOv5目标检测主要有训练和预测两个阶段

​ 1.训练：使用到的文件：voc_annotation.py, train.py

  • 用Imglabel制作数据集，最终得到原始图片和xml标签文件
  • 在model_data/ 下添加自己数据集的类别txt文件
  • 使用voc_annotation.py文件生成训练集和验证集txt文件。这个txt是最终用于训练的，可以理解为将图片、标签和类别三个文件集合起来
  • 执行train.py开始训练，当然需要更改一些参数

​ 2.预测：使用到的文件：predict.py, yolo.py

  • 修改yolo.py中的模型路径和类别路径
  • 执行predict.py 当然需要修改一些参数

​ 补充：get_map.py文件用于评估模型的性能，得到该模型的map值

​ requirements.txt：

requirements：
scipy==1.2.1
numpy==1.17.0
matplotlib==3.1.2
opencv_python==4.1.2.30
torch==1.2.0
torchvision==0.4.0
tqdm==4.60.0
Pillow==8.2.0
h5py==2.10.0

下一步打算

​ 使用PySide2写图形化界面。

​ 从pytorch——>onnx——>tensorrt路线实现加速推理。