【目标检测】YOLOv5-7.0：加入实例分割-Toy模板网

这篇具有很好参考价值的文章主要介绍了【目标检测】YOLOv5-7.0：加入实例分割。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。

前言

前段时间，YOLOv5推出7.0版本，主要更新点是在目标检测的同时引入了实例分割。
目前，YOLOv5团队已经转向了YOLOv8的更新，因此，7.0版本大概率是YOLOv5的最终稳定版。

更新信息

官方公告中给出了YOLOv5-7.0的更新要点：

推出了基于coco-seg的实例分割预训练模型
支持Paddle Paddle模型导出
自动缓存机制：使用python train.py --cache ram可以自动扫描可用内存，并且为数据集的加载进行分配
加入Comet日志记录和可视化集成

实例分割实践

下载代码

git clone https://github.com/ultralytics/yolov5.git -b v7.0

下载预训练模型

官方仓库有不同模型大小的预训练模型，这里以yolov5m-seg为例。
下载链接：https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m-seg.pt

下载数据集

这里以教程文档中的coco128-seg.zip数据集为例。
下载链接：https://ultralytics.com/assets/coco128-seg.zip

数据集的文件结构如下：

coco128-seg
- images
  - train2017
- labels
  - train2017

数据集标签可视化

coco-seg数据集和coco数据集图片一样，唯一区别是标签不同。

coco-seg的标签示例如下：

45 0.557859 0.143813 0.487078 0.0314583 0.859547 0.00897917 0.985953 0.130333 0.984266 0.184271 0.930344 0.386521 0.80225 0.480896 0.763484 0.485396 0.684266 0.39775 0.670781 0.3955 0.679219 0.310104 0.642141 0.253937 0.561234 0.155063 0.559547 0.137083
50 0.39 0.727063 0.418234 0.649417 0.455297 0.614125 0.476469 0.614125 0.51 0.590583 0.54 0.569417 0.575297 0.562354 0.601766 0.56 0.607062 0.536479 0.614125 0.522354 0.637063 0.501167 0.665297 0.48 0.69 0.477646 0.698828 0.494125 0.698828 0.534125 0.712938 0.529417 0.742938 0.548229 0.760594 0.564708 0.774703 0.550583 0.778234 0.536479 0.781766 0.531771 0.792359 0.541167 0.802937 0.555292 0.802937 0.569417 0.802937 0.576479 0.822359 0.576479 0.822359 0.597646 0.811766 0.607062 0.811766 0.618833 0.818828 0.637646 0.820594 0.656479 0.827641 0.687063 0.827641 0.703521 0.829406 0.727063 0.838234 0.708229 0.852359 0.729417 0.868234 0.750583 0.871766 0.792938 0.877063 0.821167 0.884125 0.861167 0.817062 0.92 0.734125 0.976479 0.711172 0.988229 0.48 0.988229 0.494125 0.967063 0.517062 0.912937 0.508234 0.832937 0.485297 0.788229 0.471172 0.774125 0.395297 0.729417

其中第一个为类别标签，后面的两个为一组，即(x1,y1)，(x2,y2)…意为一个个点，这些点连线即为所框选的实例。

下面的代码[2]实现了将标签进行可视化：

import cv2
import numpy as np


if __name__ == '__main__':
    pic_path = r"coco128-seg\images\train2017\000000000009.jpg"
    txt_path = r"coco128-seg\labels\train2017\000000000009.txt"
    img = cv2.imread(pic_path)
    height, width, _ = img.shape
    file_handle = open(txt_path)
    cnt_info = file_handle.readlines()
    new_cnt_info = [line_str.replace("\n", "").split(" ") for line_str in cnt_info]
    # 45 bowl 碗 49 橘子 50 西兰花
    color_map = {"49": (0, 255, 255), "45": (255, 0, 255), "50": (255, 255, 0)}
    for new_info in new_cnt_info:
        s = []
        for i in range(1, len(new_info), 2):
            b = [float(tmp) for tmp in new_info[i:i + 2]]
            s.append([int(b[0] * width), int(b[1] * height)])
        cv2.polylines(img, [np.array(s, np.int32)], True, color_map.get(new_info[0]))
    cv2.imshow('img', img)
    cv2.waitKey()

yolov5图像分割,目标检测,目标检测,YOLO,计算机视觉

模型检测

下载好预训练模型，可以直接用其进行检测：

python segment/predict.py --weights yolov5m-seg.pt --data data/images/bus.jpg

检测结果存放在runs/predict-seg文件夹中。

yolov5图像分割,目标检测,目标检测,YOLO,计算机视觉

模型训练

下面以coco128-seg数据集训练为例，首先修改data/coco128-seg.yaml配置文件，修改相应路径：

path: coco128-seg  
train: images/train2017
val: images/train2017

之后终端运行：

python segment/train.py --weights  yolov5m-seg.pt --data data/coco128-seg.yaml --epochs 5 --img 640 --project train-seg --batch-size 4

注：

–project设定了训练结果的保存路径，按照默认路径runs\train-seg会引发wandb的报错：wandb.errors.UsageError: Invalid project name "runs\train-seg": cannot contain characters "/,\,#,?,%,:", found "\"
默认batch-size为16，普通单机有爆显存风险，因此调小。

最终模型依然会保存最佳和最后两个模型，以及一些验证结果图片，和之前版本相似。

参考

[1] YOLOv5官方仓库：https://github.com/ultralytics/yolov5/tree/v7.0
[2] 【深度学习】yolov5 tag7.0 实例分割从0到1的体会,从模型训练,到量化完成 https://betheme.net/xiaochengxu/38021.html文章来源地址https://www.toymoban.com/news/detail-676121.html

到了这里，关于【目标检测】YOLOv5-7.0：加入实例分割的文章就介绍完了。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！