YOLOv5实现车辆检测(含车辆检测数据集+训练代码)
目录
1. 前言
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:
【 整套项目下载地址】:YOLOv5实现车辆检测(含车辆检测数据集+训练代码)
【尊重原创,转载请注明出处】https://panjinquan.blog.csdn.net/article/details/128099672
2. 车辆检测数据集说明
(1)车辆检测数据集
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)》
(2)自定义数据集
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
3. 基于YOLOv5的车辆检测模型训练
(1)YOLOv5说明
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
(2)准备Train和Test数据
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。
(3)配置数据文件
- 修改训练和测试数据的路径:engine/configs/voc_local.yaml
# 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
train:
- "path/to/UA-DETRAC/DETRAC-VOC/DETRAC-train-voc/train.txt"
- "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:
- "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 }
- 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,则修改engine/configs/voc_local.yaml:
nc: 2 # number of classes
names: { 'car': 0, 'bus': 0, 'van': 0,'others': 1 }
- 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 }
(4)配置模型文件
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 |
(5)重新聚类Anchor(可选)
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
(6)开始训练
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)
- 编辑train.sh脚本训练,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 64 --imgsz 640 --workers 12 --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 64 --imgsz 416 --workers 12 --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 64 --imgsz 320 --workers 12 --project $project
- 开始训练: bash train.sh
- 训练数据量比较大,训练时间比较长,请耐心等待哈
- 训练完成后,在模型输出目录中有个results.csv文件,记录每个epoch测试的结果,如loss,mAP等信息
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
(7)可视化训练过程
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
- 这是训练epoch的可视化图,可以看到mAP随着Epoch训练,逐渐提高
- 这是每个类别的F1-Score分数
- 这是模型的PR曲线
- 这是混淆矩阵:
4. Python版本车辆检测效果
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
# 测试图片
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
- 测试视频文件
# 测试视频文件
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
- 测试摄像头
# 测试摄像头
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
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
5. Android版本车辆检测效果
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:
6.项目源码下载
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: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
- 根据本篇博文说明,简单配置即可开始训练