YOLO的设计思想
- 检测方法如下：
- 将输入图像划分为 S×S 网格（grid），比如这里划分成 7×7=49 个 grid，如果目标的中心落入网格单元，则该网格单元负责检测该目标。注意不是整个物体落入单元格，只需要物体中心在即可。
- 每个网格单元预测 B（文中 B=2） 个边界框和这些框的置信度得分。这个分数反映这个框包含物体的概率 Pr(Object) 以及预测框的位置准确性 IOU，所以置信分数也由这两部分定义：
- 每个 bounding box 都要包含 5 个预测值，x, y, w, h, confidence。（x,y）框中心是相对于网格单元的坐标，w 和 h 是框相当于整幅图的宽和高，confidence 代表该框与 ground truth 之间的 IOU（框里没有物体分数直接为 0 ）
- 因为位置和类别需要同时预测，所以每个单元格除了输出 bounding box 也输出物体的条件概率（该物体属于某一类的概率，当然这些概率以包含对象的网格单元为条件）。每个网格单元输出一个概率集合，不考虑这个 grid 预测几个 bounding box。
测试阶段，在测试时，我们将条件分类概率与各个框的置信度预测相乘，作为每个框特定于每个类的置信分数（这个分数编码了类别和位置两部分信息）。
与 R-CNN 系列方法相比：
R-CNN 及其变体采用 region proposals 而不是滑动窗口法找物体，是一种多阶段方法。调网络的时候需要分开调，运行慢。
YOLO 与 R-CNN 相似的地方是在网格单元找可能的边界框，用 CNN 提取特征。不同的是，加在网格单元的空间限制有助于防止同一个目标的重复检测，预测的边界框也少（98 个），还有把多个阶段结合成一个阶段。
By BC_COM https://blog.csdn.net/BC_COM/article/details/106724211
YOLOv5
配置
准备
需要的包有: Yolov5-master(From GitHub), weights(From Google Drive)
获得方法:
- Yolov5-master: 在GitHub上Clone即可;
- weights文件: 在GitHub的Readme.md中找到链接下载, 或使用\weights中的脚本下载(科学冲浪), 一共分为s, m, l, x四个大小的权重文件.
环境配置
无科学冲浪方法
如果你没有科学冲浪方法, 步骤可能会比较繁琐, 所以最好学学在Ubuntu下如何科学冲浪!
首先我们先要安装一些基本配置(假设你已经有了Python3.7/3.8和pip 20):
| Cython | numpy |
| opencv-python | torch>=1.4 |
| matplotlib | pillow |
| tensorboard | PyYAML>=5.3 |
| torchvision | scipy |
| tqdm | git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI |
我们只需要手动安装第十二个包.
前11个包的安装方法
在volov5-master下的requirements.txt 删去第十二项(因为要科学冲浪才可下载第十二项), 并把numpy==1.17的==1.17删去, 在该文件夹下的终端中输入pip3 install -U -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
即可全自动安装前十一个依赖项(-i 选项指定了清华源, 速度很快)(当然，中科大源更好).
安装COCOAPI
COCOAPI GitHub
Clone之后, 在子文件夹PythonAPI下打开终端, 输入make或者python setup.py --user即可安装. 如果有报错则可能是缺少依赖或者版本不对, 那么用pip安装指定版本即可, 若有其他问题建议问问万恶的百毒.
我有科学冲浪!
在母文件夹下的requirements.txt, 删去numpy==1.17的==1.17, 在该文件夹下的终端中输入pip3 install -U -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
即可全自动安装全部依赖项.
至此, 环境配置完毕.
Start Detecting!
在母文件夹下的终端中输入 python detect.py, 如果没有报错, 在inference下的output文件夹里有正常输出, 说明一切都ok了, 此时使用的weights是默认的yolov5s.pt, 可以通过–weights weights*.pt 自行改变权重文件.
使用手机相机在局域网中进行目标识别
在Android手机中下载一个IPWebCam, 调整好参数后, 在最下面的选项开启视频流服务, 记录下ipv4的地址(例: http://192.168.1.101:8080/), 在终端中输入python detect.py --source http://192.168.1.101:8080/Video?dummy=param.mjpg
(修改一下其中的地址即可)
此时, 电脑中应该会出现实时识别的视频流, 如下图:
欢迎访问我的网站：https://www.bindow.top/，从而获取更多有趣的内容~
