作者 |肆十二
来源 | CSDN博客
这次要使用YOLOV5来训练一个口罩检测模型，比较契合当下的疫情，并且目标检测涉及到的知识点也比较多。
先来看看我们要实现的效果，我们将会通过数据来训练一个口罩检测的模型，并用pyqt5进行封装，实现图片口罩检测、视频口罩检测和摄像头实时口罩检测的功能。
下载代码
代码的下载地址是：[YOLOV5-mask-42: 基于YOLOV5的口罩检测系统-提供教学视频 ()](/ultralytics/yolov5)
配置环境
anaconda安装完成之后请切换到国内的源来提高下载速度 ，命令如下：
conda config --remove-key channelsconda config --add channels https://mirrors./anaconda/pkgs/main/conda config --add channels https://mirrors./anaconda/pkgs/free/conda config --add channels https://mirrors./anaconda/cloud/pytorch/conda config --set show_channel_urls yespipconfigsetglobal.index-urlhttps://mirrors./pypi/web/simple
首先创建python3.8的虚拟环境，请在命令行中执行下列操作：
conda create -n yolo5 python==3.8.5condaactivateyolo5
pytorch安装（gpu版本和cpu版本的安装）
实际测试情况是YOLOv5在CPU和GPU的情况下均可使用，不过在CPU的条件下训练那个速度会令人发指，所以有条件的小伙伴一定要安装GPU版本的Pytorch，没有条件的小伙伴最好是租服务器来使用。
需要注意以下几点：
安装之前一定要先更新你的显卡驱动，去官网下载对应型号的驱动安装
30系显卡只能使用cuda11的版本
一定要创建虚拟环境，这样的话各个深度学习框架之间不发生冲突
我这里创建的是python3.8的环境，安装的Pytorch的版本是1.8.0，命令如下：
conda install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2 # 注意这条命令指定Pytorch的版本和cuda的版本condainstallpytorch==1.8.0torchvision==0.9.0torchaudio==0.8.0cpuonly#CPU的小伙伴直接执行这条命令即可
安装完毕之后，我们来测试一下GPU是否
pycocotools的安装
后面我发现了windows下更简单的安装方法，大家可以使用下面这个指令来直接进行安装，不需要下载之后再来安装
pipinstallpycocotools-windows
其他包的安装
另外的话大家还需要安装程序其他所需的包，包括opencv，matplotlib这些包，不过这些包的安装比较简单，直接通过pip指令执行即可，我们cd到yolov5代码的目录下，直接执行下列指令即可完成包的安装。
pip install -r requirements.txtpip install pyqt5pipinstalllabelme
测试一下
在yolov5目录下执行下列代码：
pythondetect.py--sourcedata/images/bus.jpg--weightspretrained/yolov5s.pt
执行完毕之后将会输出下列信息
在runs目录下可以找到检测之后的结果
按照官方给出的指令，这里的检测代码功能十分强大，是支持对多种图像和视频流进行检测的，具体的使用方法如下：
python detect.py --source 0 # webcamfile.jpg # image file.mp4 # videopath/ # directorypath/*.jpg # glob'https://youtu.be/NUsoVlDFqZg' # YouTube video'rtsp:///media.mp4'#RTSP,RTMP,HTTPstream
数据处理
这里改成yolo的标注形式，之后专门出一期数据转换的内容。
数据标注这里推荐的软件是labelimg，通过pip指令即可安装
在你的虚拟环境下执行：
pip install labelimg -i /pypi/simple命令进行安装，然后在命令行中直接执行labelimg软件即可启动数据标注软件。
软件启动后的界面如下：
数据标注
虽然是yolo的模型训练，但是这里我们还是选择进行voc格式的标注，一是方便在其他的代码中使用数据集，二是我提供了数据格式转化
标注的过程是：
1.打开图片目录
2.设置标注文件保存的目录并设置自动保存
3.开始标注，画框，标记目标的label，crtl+s保存，然后d切换到下一张继续标注，不断重复重复
labelimg的快捷键如下，学会快捷键可以帮助你提高数据标注的效率。
标注完成之后你会得到一系列的txt文件，这里的txt文件就是目标检测的标注文件，其中txt文件和图片文件的名称是一一对应的，如下图所示：
打开具体的标注文件，你将会看到下面的内容，txt文件中每一行表示一个目标，以空格进行区分，分别表示目标的类别id，归一化处理之后的中心点x坐标、y坐标、目标框的w和h。
4.修改数据集配置文件
标记完成的数据请按照下面的格式进行放置，方便程序进行索引。
YOLO_Mask└─ score├─ images│ ├─ test # 下面放测试集图片│ ├─ train # 下面放训练集图片│ └─ val # 下面放验证集图片└─ labels├─ test # 下面放测试集标签├─ train # 下面放训练集标签├─val#下面放验证集标签
这里的配置文件是为了方便我们后期训练使用，我们需要在data目录下创建一个mask_data.yaml的文件，如下图所示：
到这里，数据集处理部分基本完结撒花了，下面的内容将会是模型训练！
模型训练
模型的基本训练
在models下建立一个mask_yolov5s.yaml的模型配置文件，内容如下：
模型训练之前，请确保代码目录下有以下文件
执行下列代码运行程序即可：
pythontrain.py--datamask_data.yaml--cfgmask_yolov5s.yaml--weightspretrained/yolov5s.pt--epoch100--batch-size4--devicecpu
训练代码成功执行之后会在命令行中输出下列信息，接下来就是安心等待模型训练结束即可。
根据数据集的大小和设备的性能，经过漫长的等待之后模型就训练完了，输出如下：
在train/runs/exp3的目录下可以找到训练得到的模型和日志文件
当然还有一些骚操作，比如模型训练到一半可以从中断点继续训练，这些就交给大家下去自行探索喽。
往
期
回
顾
技术
用python写3D游戏，太赞了
资讯
算力超越iPhone，芯片堪比Mac
技术
31个好用的Python字符串方法
资讯
游戏圈地震级消息，微软收购动视暴雪
分享
点收藏
点点赞
点在看
