yolov5—10,000 ワードのクレイジーな yolov5 予測部分は、コードよりコメントの方が多いソース コード分析をこれまでに見たことがありません

目次

I.はじめに

2: 予測

ファイル ディレクトリ フォルダーを初期化し、ビデオ ストリームまたは画像形式を定義します。

モデルをロードする

写真またはビデオを検出するかどうかを決定する

カテゴリ名をロードし、空のイメージを生成して GPU をウォームアップします

GPU、単精度の設定

処理された画像をトレーニング済みモデルに投入、順伝播

写真、ビデオ、txt ファイルなどを保存するためのパスを生成します。

判定:今回のラウンドで予測するファイルが動画か写真か

効果のデモンストレーション:

完全なコード + UI インターフェイス


I.はじめに

前回の 40,000 ワードの長い記事で、ついに yolov5 のトレーニング部分が終了しました。このセクションでは引き続き yolov5 の予測部分について説明し、最後に完全なネットワーク ディスク コードを示します。

2: 予測

構成パラメータを読み取り、

parser = argparse.ArgumentParser()
    parser.add_argument('--weights', nargs='+', type=str, default='yolov5s.pt', help='model.pt path(s)')
    parser.add_argument('--source', type=str, default='inference/images', help='source')  # file/folder, 0 for webcam
    parser.add_argument('--output', type=str, default='inference/outputs', help='output folder')  # output folder
    parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')
    parser.add_argument('--conf-thres', type=float, default=0.4, help='object confidence threshold')
    parser.add_argument('--iou-thres', type=float, default=0.5, help='IOU threshold for NMS')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--view-img', action='store_true', help='display results')
    parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')
    parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --class 0, or --class 0 2 3')
    parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')
    parser.add_argument('--augment', action='store_true', help='augmented inference')
    parser.add_argument('--update', action='store_true', help='update all models')
    opt = parser.parse_args()
    print(opt)

    # 模型推理和测试阶段,关闭梯度计算以降低内存消耗并加快运算速度。
    with torch.no_grad():
        ## 通过设置不同的opt.weights,可以选择要更新的模型。默认是default='yolov5s.pt
        if opt.update:
            for opt.weights in ['yolov5s.pt', 'yolov5m.pt', 'yolov5l.pt', 'yolov5x.pt']:
                detect()
                strip_optimizer(opt.weights)
        else:
            detect()

ファイル ディレクトリ フォルダーを初期化し、ビデオ ストリームまたは画像形式を定義します。

def detect(save_img=False):
    out, source, weights, view_img, save_txt, imgsz = \
        opt.output, opt.source, opt.weights, opt.view_img, opt.save_txt, opt.img_size

    # 判断输入的视频源是否以".txt"结尾在文本文件中,可以包含视频文件的路径列表
    # source.isnumeric()判断输入的视频源是否为纯数字(是则打开了摄像头),用于表示摄像头索引
    # '(rtsp://', 'rtmp://', 'http://') 适用于从网络摄像头、流媒体服务器或在线视频平台获取视频流。
    webcam = source.isnumeric() or source.startswith(('rtsp://', 'rtmp://', 'http://')) or source.endswith('.txt')

    # Initialize
    set_logging()
    device = select_device(opt.device)
    # 获取今天的日期
    today = date.today()
    date_str = today.strftime("%Y-%m-%d")  # 格式化日期为字符串,例如:2023-06-06

    folder_path = r'C:\python\code\tangyudi\yolo\YOLO5\YOLO5\yolov5-master\inference\outputs'
    out = os.path.join(folder_path, date_str)  # 构建完整的输出文件夹路径

    if not os.path.exists(out):  # 如果文件夹不存在
        os.makedirs(out)  # 创建以日期为名称的文件夹

    # half precision only supported on CUDA 半精度只用在cuda上
    half = device.type != 'cpu'

モデルをロードする

画像の形状が s=model.stride.max() に準拠しているかどうかを確認します。 max は 32 の倍数です。

画像パスのウェイトパスを取得する

カテゴリ検出が 1 つだけ (通常は 2 つ以上) かどうかを判断します。

 # Load model
    model = attempt_load(weights, map_location=device)  # load FP32 model
    # 根据640*640与模型的步长计算是否满足倍数的关系,model.stride.max()查看模型的最大步长
    imgsz = check_img_size(imgsz, s=model.stride.max())  # check img_size
    if half:
        # model.half()  # to FP16
        model.float()  # 转换为FP32

    # Second-stage classifier()
    classify = False
    if classify:
        modelc = load_classifier(name='resnet101', n=2)  # initialize
        modelc.load_state_dict(torch.load('weights/resnet101.pt', map_location=device)['model'])  # load weights
        modelc.to(device).eval()

写真またはビデオを検出するかどうかを決定する

./data/inference で検出する必要があるファイルをロードし、データセット データセットを生成するために使用されます。

# Set Dataloader
    vid_path, vid_writer = None, None
    if webcam:
        view_img = True
        cudnn.benchmark = True  # set True to speed up constant image size inference PyTorch会自动寻找最佳的卷积算法,以提高性能
        dataset = LoadStreams(source, img_size=imgsz)
    else:
        save_img = True
        #读取文件夹下的所有要检测的图片或者视频
        dataset = LoadImages(source, img_size=imgsz)

カテゴリ名をロードし、空のイメージを生成して GPU をウォームアップします


img = torch.zeros((1, 3, imgsz, imgsz), device=デバイス)

 # 获取类别的名字
    names = model.module.names if hasattr(model, 'module') else model.names

    # 这样做的目的可能是为了在可视化过程中为不同的类别分配随机颜色,以便在结果展示中区分不同的目标或类别。
    colors = [[random.randint(0, 255) for _ in range(3)] for _ in range(len(names))]
    # Run inference
    t0 = time.time()

    # warmup: 生成一张空白图片,进行forward,热身准备活动,确保GPU能抛跑起来
    img = torch.zeros((1, 3, imgsz, imgsz), device=device)

GPU、単精度の設定

まず、データ セットを読み取り、各 for ループで LoadStreams の __next__ 関数を実行し、一度に 1 枚のピクチャを読み取ります。

元の画像が渡されますが、モデルには 640*640 (32 倍で十分) が必要なため、サイズを変更するにはレターボックスが必要で、再度 RGB に変換する必要があります。深層学習には RGB が必要で、opencv はBGR
img[:, :, ::-1] を使用して RGB に変換します

640*640 (または他の 32 倍) を取得した後、img /= 255.0 は正規化され、4 次元になります: img.unsqueeze(0 および次元を引き上げた img.unsqueeze(0)

#img是填充后的, im0s是copy img的,下面还原图片
    for path, img, im0s, vid_cap in dataset:  # 每次for循环都会执行一次LoadStreams的__next__函数,一次读一张图片
        img = torch.from_numpy(img).to(device)
        if path != list('0'):
            if is_mp4_file(path):
                view_img = True

        # 使用更低精度的数据类型可能是有益的。例如,在资源受限的设备上进行推理时,使用较低的精度可以降低计算和存储开销,
        # 并提高推理性能。其中,半精度(half precision)浮点数(float16)是一种常用的低精度数据类型。
        # 需要注意的是,半精度浮点数具有较低的精度,可能会引入一定的数值误差。因此,在应用中需要权衡精度和性能之间的平衡,根据具体任务的要求来选择适当的数据类型和转换方式。
        # img = img.half() if half else img.float()  # uint8 to fp16/32
        img = img.float() if half else img.float()  # uint8 to fp16/32
        img /= 255.0  # 0 - 255 to 归一化0.0 - 1.0
        if img.ndimension() == 3:
            # 通常将批次维度作为额外的维度,即将图片张量的维度扩展为 (1, C, H, W) 或 (1, H, W, C),其中 1 表示批次大小为 1。
            img = img.unsqueeze(0)

        # Inference
        t1 = time_synchronized()

処理された画像をトレーニング済みモデルに投入、順伝播

pred = model(img, augment=opt.augment)[0], get torch.Size([1, 20160, 85]) 結果

nms を使用して、最も高い信頼度でターゲットを選別し、それと高度に重複する他の予測ボックスを削除します。
結果を取得します。例: [413.75000, 242.37500, 496.25000, 521.50000, 0.87988, 0.00000] 0.87988 は信頼水準、0.00000 はカテゴリです

# 通过fuse()方法融合模型的卷积和BN层,最后调用eval()方法将模型设置为评估模式。
        # 模型语句生成好了model.append(torch.load(w, map_location=map_location)['model'].float().fuse().eval()),设置了评估模式了
        #所有的推理预测就相乘含有的映射就行了,每种类别都有一种放射函数,都是先进性前向传播,然后得到输出结果。就这么简单。想想最简单的卷积softmax就好,每次
        #不过这里预测出来的是相对于特征图的大小,后面需要对结果进行恢复就行
        pred = model(img, augment=opt.augment)[0]  # torch.Size([1, 20160, 85])#20160是预测框的个数
        # print('检测结果:',pred.shape)
        # time (inference + NMS)=t2 - t1
        # Apply NMS
        # [413.75000, 242.37500, 496.25000, 521.50000,   0.87988,   0.00000]  0.87988是置信度,0.00000是类别
        pred = non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classes=opt.classes, agnostic=opt.agnostic_nms)

        t2 = time_synchronized()

        # 目的是在需要进行目标分类的情况下,对目标检测的结果进行进一步的分类操作,以获取更详细的目标类别信息。
        if classify:
            pred = apply_classifier(pred, modelc, img, im0s)

写真、ビデオ、txt ファイルなどを保存するためのパスを生成します。

結果を取得したら: 次に、出力結果を処理します。写真、ビデオ、txt ファイルなどを保存するためのパスを生成し、出力結果の情報を印刷します。

取得した予測結果の処理を開始します: 事前予測結果を読み取ります: for i, det in enumerate(pred):
元の画像サイズに復元し、フレームを描画します: :det[:, :4] =scale_coords(img.shape) [2: ]、det[:, :4]、im0.shape).round()

予測ボックスを元の画像に復元します。予測サイズは tensor([[373.67227, 31.81139, 575.06097, 368.02759], [ 58.22650, 110.43533, 501.29523, 368.21964], [211.84209, 22] です) 6.7 6434、258.34622、372.01465]]、
                        デバイス
                        = 'クダ:0')

元画像に戻した後のサイズ(round()を使用):tensor([[ 747., 40., 1150., 712.], [ 116., 197., 1003., 712.], [
                            424
                            . 、430.、517.、720.]]、デバイス='cuda:0')

次に、det[:, -1].unique(): 内の c のカテゴリ インデックスを取り出します。このインデックスはラベル付け時のカテゴリ番号であり、すべての予測値の中からこのインデックスの予測数を計算します。 n = (det [: , -1] == c).sum()、ところで印刷してください

# Process detections
        for i, det in enumerate(pred):  # detections per image
            if webcam:  # batch_size >= 1
                p, s, im0 = path[i], '%g: ' % i, im0s[i].copy()
            else:
                p, s, im0 = path, '', im0s
            # 保存图片的路径
            save_path = str(Path(out) / Path(p).name)
            txt_path = str(Path(out) / Path(p).stem) + (
                '_%g' % dataset.frame if dataset.mode == 'video' else '')  # 默认不保存txt文件
            s += '%gx%g ' % img.shape[2:]  # print string   #print除了路径,还有shape的输出
            gn = torch.tensor(im0.shape)[[1, 0, 1, 0]]  # normalization gain whwh #保存txt文件需要用到

            # 将预测框画出来
            if det is not None and len(det):
                # Rescale boxes from img_size to im0 size 还原到原图大小再画框
                det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()

                # det[:, -1].unique() 返回唯一的类别索引, tensor([0., 0., 0., 5., 0.], device='cuda:0') 先返回了0,计算0的总数,然后计算5的总数
                for c in det[:, -1].unique():
                    n = (det[:, -1] == c).sum()  # detections per class
                    s += '%g %ss, ' % (
                    n, names[int(c)])  # add to string i=0:'640x512 4 persons, ' i=1:'640x512 4 persons, 1 buss, '

                # Write results
                for *xyxy, conf, cls in reversed(det):
                    if save_txt:  # Write to file
                        xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist()  # normalized xywh
                        with open(txt_path + '.txt', 'a') as f:
                            f.write(('%g ' * 5 + '\n') % (cls, *xywh))  # label format

                    if save_img or view_img:  # Add bbox to image
                        label = '%s %.2f' % (names[int(cls)], conf)
                        plot_one_box(xyxy, im0, label=label, color=colors[int(cls)], line_thickness=3)


判断: 現在のラウンドで予測されるファイルにはビデオまたは写真が含まれていますか?

xyxy、信頼度conf、カテゴリ名names[int(cls)]をplotに渡して予測画像を描画し、
今回のラウンドで予測するファイルが動画か画像かの判定を開始します。

# Print time (inference + NMS)
            print('%sDone. (%.3fs)' % (s, t2 - t1))

            # Stream results

            frames += 1
            elapsed_time = time.time() - start_time
            fps = frames / elapsed_time
            cv2.putText(im0, "FPS: %.2f" % fps, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2, cv2.LINE_AA)

            if view_img:
                cv2.namedWindow(p, cv2.WINDOW_NORMAL)  # 创建一个窗口
                cv2.resizeWindow(p, 800, 600)  # 调整窗口大小
                cv2.imshow(p, im0)
                # if cv2.waitKey(1) == ord('q'):  # q to quit

                if cv2.waitKey(1) == ord(' '):  # q to quit
                    raise StopIteration

            # Save results (image with detections)
            # 先把判断要不要保存save_img,然后再判断是图片还是video
            if save_img:#不是摄像头来源的话就为ture
                if dataset.mode == 'images':
                    cv2.imwrite(save_path, im0)
                else:
                    if vid_path != save_path:  # new video
                        vid_path = save_path
                        if isinstance(vid_writer, cv2.VideoWriter):
                            vid_writer.release()  # release previous video writer

                        fourcc = 'mp4v'  # output video codec
                        fps = vid_cap.get(cv2.CAP_PROP_FPS)
                        w = int(vid_cap.get(cv2.CAP_PROP_FRAME_WIDTH))#这些值用于定义输出视频的宽度和高度,
                        h = int(vid_cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
                        vid_writer = cv2.VideoWriter(save_path, cv2.VideoWriter_fourcc(*fourcc), fps, (w, h))
                    #一帧一帧的读,一张一张的保存图片
                    vid_writer.write(im0)

    if save_txt or save_img:
        print('Results saved to %s' % Path(out))

    print('Done. (%.3fs)' % (time.time() - t0))

効果のデモンストレーション:

 

歴史の記録

 

完全なコード + UI インターフェイス

ビデオ、メモ、コード、コメントはすべてネットワーク ディスクにアップロードされ、ホームページのトップ記事に配置されます。

おすすめ

転載: blog.csdn.net/m0_56175815/article/details/131160353