使用yolov5进行茶叶识别

这篇具有很好参考价值的文章主要介绍了使用yolov5进行茶叶识别。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目录

一、github官方网址

二、环境搭建

​编辑 ​编辑

三、使用coco128数据集进行环境测试

四、使用labelme标记数据集

五、代码修改

六、开始训练

七、进行测试

八、问题与反思


一、github官方网址

https://github.com/ultralytics/yolov5

  也可使用以下命令进行代码下载 

git clone https://github.com/ultralytics/yolov5

二、环境搭建

(1)python>=3.7

(2)pytorch>=1.7

本文使用anaconda创建了python3.8版本的虚拟环境,并且进行了GPU的配置,安装了GPU版本的pytorch1.11

 除此之外,由于在本地训练时间过长,笔记本配置较低,本文还在服务器上使用docker对运行环境进行了配置

 

三、使用coco128数据集进行环境测试

  命令行进入项目所在目录

cd yolov5

 安装项目所需要的所有依赖项

pip install -r requirements.txt

安装过程中可能会有个别安装包不能成功,使用pip命令进行单独安装即可,添加清华镜像源会快很多,package为包名,version为版本号

pip install package==version -i https://pypi.tuna.tsinghua.edu.cn/simple

 运行detect.py文件测试结果如下

 使用yolov5进行茶叶识别

运行train.py文件,训练过程如下

使用yolov5进行茶叶识别训练结果保存在runs/train/exp_num文件夹下,生成了两个权重文件在文件夹runs/train/exp_num/weights/下,分别是best.pt和last.pt,可以使用这两个权重文件对训练效果进行测试。 

使用tensorboard可以使训练过程可视化,命令如下

tensorboard --logdir runs\train

四、使用labelme标记数据集

去当地的茶山进行茶叶数据的采集,为具有普适性,本次数据采集采用多角度,多明暗的拍摄手法,确保能在多种场景适用,图片,视频均可。采集完的数据使用labelme进行标注。

(1)进入虚拟环境

(2)安装labelme

pip install labelme

  (3)直接运行labelme打开标注软件

labelme

(4)注意选择自动保存

使用yolov5进行茶叶识别使用yolov5进行茶叶识别使用yolov5进行茶叶识别

注:labelme 支持jpg等格式,不支持HEIC格式,图片格式转化网址(一次只支持转化10张图片):https://cdkm.com/cn/heic-to-jpghttps://cdkm.com/cn/heic-to-jpg

    (5) labelme保存的是json文件,需要将json文件转化为txt文件,用于label标签

可用python代码批量转化json文件:

import json
import os
 
# 标签名称,labelme做了几个标签这里就填几个
name2id = {'fruit': 0}
 
 
def convert(img_size, box):
    dw = 1. / (img_size[0])
    dh = 1. / (img_size[1])
    x = (box[0] + box[2]) / 2.0 - 1
    y = (box[1] + box[3]) / 2.0 - 1
    w = box[2] - box[0]
    h = box[3] - box[1]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)
 
 
def decode_json(json_floder_path, json_name):
    txt_name = 'E:\\***\\***\\目标检测\\labels\\' + json_name[0:-5] + '.txt'
    # 存放txt文件夹的绝对路径
    txt_file = open(txt_name, 'w')
 
    json_path = os.path.join(json_floder_path, json_name)
    data = json.load(open(json_path, 'r', encoding='gb2312'))
 
    img_w = data['imageWidth']
    img_h = data['imageHeight']
 
    for i in data['shapes']:
 
        label_name = i['label']
        if (i['shape_type'] == 'rectangle'):
            x1 = int(i['points'][0][0])
            y1 = int(i['points'][0][1])
            x2 = int(i['points'][1][0])
            y2 = int(i['points'][1][1])
 
            bb = (x1, y1, x2, y2)
            bbox = convert((img_w, img_h), bb)
            txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n')
 
 
if __name__ == "__main__":
    # 存放json文件夹的绝对路径 
    json_floder_path = 'E:\\***\\***\\目标检测\\20220808json'  
    json_names = os.listdir(json_floder_path)
    for json_name in json_names:
        decode_json(json_floder_path, json_name)

 (6)整理数据集,文件格式如下

 使用yolov5进行茶叶识别

其中images文件夹里面放图片,labels文件夹里面放标签。

注:图片与相应标签的文件名字要统一。

五、代码修改

(1)将处理好的数据集放入工程目录,与yolov5(我用的是yolov5-6.1版本)同级,包含trian(训练集)和valid(验证集)

使用yolov5进行茶叶识别

(2)yolov5/utils/dataset.py 

num_workers=0
(3)新建data.yaml文件,修改训练数据路径,文件放在工程目录的data文件夹下

train: ../train/images
val: ../valid/images
 
# Classes
nc: 1  # number of classes
names: ['tea']  # class names

六、开始训练

进入工程目录,使用终端运行以下命令,进行训练 

python train.py --data data.yaml --cfg yolov5s.yaml --weights '' --batch-size 32  --epoch 300

 使用tensorboard可视化训练过程

使用yolov5进行茶叶识别

七、进行测试

(1)上传测试数据,可以是图片,也可以是视频,放在data文件夹(source为0时,调用摄像头进行测试) 如下图其中vedio是我自己上传的测试数据

使用yolov5进行茶叶识别

(2)使用生成的权重文件进行测试

python detect.py --source data\vedio --weights runs\train\expX\weights\best.pt  --data data\data.yaml 

八、问题与反思

 (1)、问题描述:AttributeError: 'NoneType' object has no attribute '_free_weak_ref' 

    解决办法:修改yolov5-6.1/utils/dataset.py中num_workers  

num_workers=0

(2)、在安装依赖项requirements.txt时,安装包opencv出错,原因是高版本的opencv与低版本的opencv版本不兼容,换用低版本的opencv后,问题得到解决。文章来源地址https://www.toymoban.com/news/detail-405748.html

到了这里,关于使用yolov5进行茶叶识别的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 使用yolov5实现图像识别

    开始之前 你应当先克隆这个仓库 下载完毕后,进入克隆的仓库目录 下载依赖 下载数据集 这里有个数据集,为了节省训练时间,文件不是很大。 结尾处我会推荐几个大型数据集下载地址 。 数据集下载 提取码:crnr 解压后,你会看到这几个文件夹: 标记数据集 可以登录 h

    2024年02月07日
    浏览(34)
  • 详细介绍 Yolov5 转 ONNX模型 + 使用ONNX Runtime 的 Python 部署(包含官方文档的介绍)

    对ONNX的介绍强烈建议看,本文做了很多参考:模型部署入门教程(一):模型部署简介 模型部署入门教程(三):PyTorch 转 ONNX 详解 以及Pytorch的官方介绍:(OPTIONAL) EXPORTING A MODEL FROM PYTORCH TO ONNX AND RUNNING IT USING ONNX RUNTIME C++的部署:详细介绍 Yolov5 转 ONNX模型 + 使用 ONNX Runti

    2024年02月01日
    浏览(47)
  • 使用 YOLOv5 进行实时口罩检测

    在本文中,我将解释关于使用名为 Yolo 和 Opencv 的深度学习算法进行实时口罩检测。Yolo 代表 You Only Look Once,是一种利用卷积神经网络 (CNN) 来检测对象的深度学习算法。 “YOLOv5是YOLO系列的最新产品。YOLOv5在YOLOv4的基础上进行了改进,其运行速度大幅提升,最快速度达到140帧

    2024年02月13日
    浏览(39)
  • 记录使用yolov5进行旋转目标的检测

    由于实习公司需要使用到旋转目标的检测,所以这几天学习了相关知识,并找了许多资料,饶了许多的弯路。下面记录下项目的整个实现过程。 我参考的是以下几位博主: DOTAv2遥感图像旋转目标检测竞赛经验分享(Swin Transformer + Anchor free/based方案) - 知乎 小鸡炖技术的个人

    2024年02月02日
    浏览(43)
  • 使用YOLOv5进行工业检测(如裂纹、划痕、破损等)

    本文将详细介绍如何使用YOLOv5实现工业检测项目,以检测生产线上的缺陷产品,如裂纹、划痕、破损等。我们将分步介绍数据准备、模型训练、模型优化和部署等过程。 但是只提供具体思路,本文内不进行模拟。 目录 ## 1. 前言 ## 2. 数据准备 ### 2.1 数据收集 ### 2.2 数据标注

    2024年02月05日
    浏览(54)
  • 使用yolov5进行安全帽检测填坑指南

    参考项目 c​​​​​​​​​​​​​​GitHub - PeterH0323/Smart_Construction: Base on YOLOv5 Head Person Helmet Detection on Construction Sites,基于目标检测工地安全帽和禁入危险区域识别系统,🚀😆附 YOLOv5 训练自己的数据集超详细教程🚀😆2021.3新增可视化界面❗❗ 注意:我习惯先把pyt

    2024年02月12日
    浏览(51)
  • 使用TensorRT对yolov5进行部署(基于python,超详细)

    哈喽大家好 ! 我是唐宋宋宋,很荣幸与您相见!!! 我的环境: cuda:11.1 cudnn:8.7.0 TensorRT:8.4.1.5 首先需要下载TensorRT,官网链接附下: NVIDIA TensorRT 8.x Download | NVIDIA Developer 注:下载TensorRT版本需要和你电脑上的cuda版本对应 yolov5的代码需要大家上github自己扒 链接已经提供

    2024年02月07日
    浏览(43)
  • 关于谷歌云计算进行Python yolov5的使用操作(简略版)

    关于谷歌云计算的使用操作(简略版) 谷歌云盘:https://drive.google.com/ 翻墙订阅:链接 2     3.添加Colaboratory关联   设置免费的GPU 它是很容易更换默认的硬件(None,GPU,TPU),通过 修改-笔记本设置或者代码执行程序-更改运行时类型来选择GPU,作为硬件加速.   Colaboratory命令:

    2024年02月06日
    浏览(43)
  • Python——一文详解使用yolov5进行目标检测全流程(无需gpu)

    本文按步骤详细介绍了使用yolov5进行目标检测的全流程,包括:模型下载、环境配置、数据集准备和数据预处理、模型调整、模型训练、进行目标检测和检测结果分析。本文全部流程使用cpu完成(无需gpu),旨在跑通流程,模型训练过程较慢,且未能到达最优结果。需要 py

    2024年03月18日
    浏览(54)
  • 认识YOLOv5模型结构目录

    接上篇【文献解读】“MOBILEViT:轻量级、通用目的、移动友好的视觉变换器”。-CSDN博客 YOLOv5是一个流行的机器学习模型,用于目标检测任务。根据您希望提升或修改的内容,改进YOLOv5可以涉及多个方面: 模型架构(位于 /models ): 如果希望改变YOLOv5的架构,需要修改通常

    2024年01月21日
    浏览(34)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包