1. Reconhecimento de objeto (detecção)

1. Escolha os pesos

ilustrar:

yolov5s.pt, yolov5m.pt, yolov5l.pt, yolov5x.pt são pesos de pré-treino incorporados, que podem reconhecer objetos comuns como: pessoas, gatos, cães, carros, etc.
Você pode escolher pesos de autotreinamento para identificar e detectar objetos específicos

2. Carregar identificação

2. Treinamento de objetos

1. Anotação de imagem

1.1 Criar um novo conjunto de dados

Nota: Tente não usar chinês!

1.2 Carregar fotos

Nota: O nome da imagem não pode aparecer em chinês!

1.3 Selecione o conjunto de dados rotulado

1.4 Crie uma nova classe de rótulo

1.5 Rotulagem

Observe que você deve salvar a imagem atual toda vez que a marcar!

2. Treinamento com pesos

2.1 Selecione o conjunto de dados

Nota: O conjunto de dados deve ser totalmente rotulado, ou seja, cada imagem precisa ter informações de rotulagem correspondentes.

2.2 Selecione os pesos pré-treino

2.3 Outros parâmetros de treinamento

2.4 Iniciar o treinamento

Se a saída do log de treinamento exceder o limite de memória, reduza o parâmetro Batch size adequadamente:

3. Desempenho e perda

3.1 Exibir registro de treinamento

3.2 Detecção de peso de treinamento

3. Implantação do projeto

1. Requisitos ambientais

1.1 Contêiner Docker

O ambiente de teste do sistema é o Ubuntu 16.04.6 LTS e o kernel do Linux é 4.15.0:

   Static hostname: 304
         Icon name: computer-desktop
           Chassis: desktop
        Machine ID: 1d0f19d8da7049cdaa13ef3402ecdc18
           Boot ID: a07e6032ce044fac872d74c61b339b8f
  Operating System: Ubuntu 16.04.6 LTS
            Kernel: Linux 4.15.0-70-generic
      Architecture: x86-64

A versão do contêiner Docker é 19.03, tente usar uma versão mais recente do Docker:

Docker version 19.03.13, build 4484c46d9d

1.2 Imagens Necessárias

mysql:5.7 espelhamento de banco de dados mysql

docker pull mysql:5.7

flasktrain: espelho do projeto mais recente

docker pull registry.cn-hangzhou.aliyuncs.com/lvjune/yolov5_train_system:latest

ou construa a partir do Dockerfile:

docker build . -t yolov5-train-system:latest

ATUALIZAÇÃO : Removido o uso do banco de dados mysql em favor do banco de dados sqlite3 armazenado localmente.

2. Configuração do projeto

2.1 Configuração do banco de dados

Inicie um contêiner de banco de dados mysql, mapeado para a porta do host 33066, senha root 123456

docker run -d -e MYSQL_ROOT_PASSWORD=123456 -p 33066:3306 mysql:5.7

Inicie e entre no container, crie um banco de dados

mysql -uroot -p123456
create database train_system;

2.2 Configuração do Sistema de Treinamento

Inicie um contêiner flasktrain e mapeie três portas, a saber: 5050 corresponde à porta de acesso back-end, 6060 corresponde à porta de acesso Tensorboard e 8080 corresponde à porta de acesso front-end

docker run -d -p 5050:5000 -p 6060:6006 -p 8080:80 flasktrain

Inicie e entre no contêiner, modifique o endereço do servidor de acesso front-end:

vim /train/vue/config.js

FLASK_CONFIG.baseUrl = "http://服务器IP地址:5050"
FLASK_CONFIG.tensorboardUrl = "http://服务器IP地址:6060/"

Atualização : o uso do nginx como um proxy reverso resolve o problema de acesso entre domínios front-end e back-end dentro do contêiner. Para obter detalhes, consulte o conteúdo do proxy do arquivo nginx.conf . Não há necessidade de modificar manualmente as configurações de acesso a portas e endereços.

3. Projeto em execução

3.1 Executando o front-end

service nginx start

3.2 Executando o back-end

cd /train && python run.py

3.3 Acesso ao navegador

http://服务IP地址:8080/

Atualização : Escreva o comando de inicialização no arquivo startup.sh da seguinte maneira:

#!/bin/bash

# cd /train
host=`cat /etc/hosts | awk 'END {print}' | cut -f 1`
sed -i "s/127.0.0.1/${host}/g" nginx.conf
nginx -c /train/nginx.conf
python run.py

# docker run -d -p 80:80 yolov5trainsystem ./startup.sh
# set ff=unix
# chmod +x ./startup.sh

Primeiro, obtenha o endereço virtual alocado pelo docker no contêiner, substitua o 127.0.0.1 do proxy nginx para acesso ao host e, em seguida, inicie o front-end nginx e o flask back-end.

Inicie o comando do contêiner:

docker run -d -p 80:80 yolov5trainsystem:latest

O navegador acessa a porta 80.

4. Código-fonte do sistema

Link de download do código-fonte: https://download.csdn.net/download/weixin_47367099/85441361

Detecção de alvo front-end Vue e sistema de visualização de treinamento baseado em Yolov5