深度學習目標檢測：YOLOv5實現車輛檢測(含車輛檢測數據集+訓練代碼)

https://blog.csdn.net/guyuealian/article/details/128099672

1. 前言

2. 車輛檢測數據集說明

（1）車輛檢測數據集

（2）自定義數據集

3. 基於YOLOv5的車輛檢測模型訓練

（1）YOLOv5安裝

（2）準備Train和Test數據

（3）配置數據文件

（4）配置模型文件

（5）重新聚類Anchor（可選）

（6）開始訓練

（7）可視化訓練過程

（8）常見的錯誤

4. Python版本車輛檢測效果

5. Android版本車輛檢測效果

6.項目源碼下載

1. 前言

本篇博客，我們將手把手教你搭建一個基於YOLOv5的車輛目標檢測項目。目前，基於YOLOv5s的車輛平均精度平均值mAP_0.5=0.57192，mAP_0.5:0.95=0.41403，基本滿足業務的性能需求。另外，爲了能部署在手機Android平臺上，本人對YOLOv5s進行了模型輕量化，開發了一個輕量級的版本yolov5s05_416和yolov5s05_320，在普通Android手機上可以達到實時的檢測和識別效果，CPU(4線程)約30ms左右，GPU約25ms左右，基本滿足業務的性能需求。

先展示一下Python版本車輛檢測Demo效果：

【尊重原創，轉載請註明出處】https://panjinquan.blog.csdn.net/article/details/128099672

更多項目《智能駕駛車牌檢測和識別》系列文章請參考：

智能駕駛車牌檢測和識別（一）《CCPD車牌數據集》：https://blog.csdn.net/guyuealian/article/details/128704181

智能駕駛車牌檢測和識別（二）《YOLOv5實現車牌檢測（含車牌檢測數據集和訓練代碼）》：https://blog.csdn.net/guyuealian/article/details/128704068

智能駕駛車牌檢測和識別（三）《CRNN和LPRNet實現車牌識別（含車牌識別數據集和訓練代碼）》：https://blog.csdn.net/guyuealian/article/details/128704209

智能駕駛車牌檢測和識別（四）《Android實現車牌檢測和識別（可實時車牌識別）》：https://blog.csdn.net/guyuealian/article/details/128704242

智能駕駛車牌檢測和識別（五）《C++實現車牌檢測和識別（可實時車牌識別）》：https://blog.csdn.net/guyuealian/article/details/128704276

智能駕駛紅綠燈檢測（一）《紅綠燈(交通信號燈)數據集》：https://blog.csdn.net/guyuealian/article/details/128222850

智能駕駛紅綠燈檢測（二）《YOLOv5實現紅綠燈檢測(含紅綠燈數據集+訓練代碼)》：https://blog.csdn.net/guyuealian/article/details/128240198

智能駕駛紅綠燈檢測（三）《Android實現紅綠燈檢測(含Android源碼可實時運行)》：https://blog.csdn.net/guyuealian/article/details/128240334

智能駕駛車輛檢測（一）《UA-DETRAC BITVehicle車輛檢測數據集》：https://blog.csdn.net/guyuealian/article/details/127907325

智能駕駛車輛檢測（二）《YOLOv5實現車輛檢測(含車輛檢測數據集+訓練代碼)》：https://blog.csdn.net/guyuealian/article/details/128099672

智能駕駛車輛檢測（三）《Android實現車輛檢測(含Android源碼可實時運行)》：https://blog.csdn.net/guyuealian/article/details/128190532

2. 車輛檢測數據集說明

（1）車輛檢測數據集

目前收集了約10W+的車輛檢測數據集：UA-DETRAC車輛檢測數據集+Vehicle-Dataset車輛檢測數據集+BITVehicle車輛檢測數據集:

關於車輛檢測數據集使用說明和下載，詳見另一篇博客說明：《UA-DETRAC BITVehicle車輛檢測數據集(含下載地址)》

（2）自定義數據集

如果需要增/刪類別數據進行訓練，或者需要自定數據集進行訓練，可參考如下步驟：

採集圖片，建議不少於200張圖片

使用Labelme等標註工具，對目標進行拉框標註：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).

將標註格式轉換爲VOC數據格式，參考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub

生成訓練集train.txt和驗證集val.txt文件列表

修改engine/configs/voc_local.yaml的train和val的數據路徑

重新開始訓練

3. 基於YOLOv5的車輛檢測模型訓練

（1）YOLOv5安裝

訓練Pipeline採用YOLOv5: https://github.com/ultralytics/yolov5 , 原始代碼訓練需要轉換爲YOLO的格式，不支持VOC的數據格式。爲了適配VOC數據，本人新增了LoadVOCImagesAndLabels用於解析VOC數據集，以便正常訓練。另外，爲了方便測試，還增加demo.py文件，可支持對圖片,視頻和攝像頭的測試。

Python依賴環境，使用pip安裝即可，項目代碼都在Ubuntu系統和Windows系統驗證正常運行，請放心使用；若出現異常，大概率是相關依賴包版本沒有完全對應

matplotlib>=3.2.2

numpy>=1.18.5

opencv-python>=4.1.2

Pillow

PyYAML>=5.3.1

scipy>=1.4.1

torch>=1.7.0

torchvision>=0.8.1

tqdm>=4.41.0

tensorboard>=2.4.1

seaborn>=0.11.0

pandas

thop # FLOPs computation

pybaseutils==0.6.5

項目安裝教程請參考（初學者入門，麻煩先看完下面教程，配置好開發環境）：

項目開發使用教程和常見問題和解決方法

視頻教程：1 手把手教你安裝CUDA和cuDNN(1)

視頻教程：2 手把手教你安裝CUDA和cuDNN(2)

視頻教程：3 如何用Anaconda創建pycharm環境

視頻教程：4 如何在pycharm中使用Anaconda創建的python環境

（2）準備Train和Test數據

下載車輛檢測數據集，總共約10W+的圖片：UA-DETRAC車輛檢測數據集+Vehicle-Dataset車輛檢測數據集+BITVehicle車輛檢測數據集

考慮到UA-DETRAC車輛檢測數據集比較大，其訓練的模型的檢測效果相對比較好，因此後續以UA-DETRAC車輛檢測數據集爲示例，說明訓練過程。其他數據集訓練，請根據自己環境，適當修改即可。

（3）配置數據文件

修改訓練和測試數據的路徑：engine/configs/voc_local.yaml

注意數據路徑分隔符使用【/】,不是【\】

項目不要出現含有中文字符的目錄文件或路徑，否則會出現很多異常！！！！！！！！

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]

# 數據路徑

path: "" # dataset root dir

# 注意數據路徑分隔符使用【/】,不是【\】

# 項目不要出現含有中文字符的目錄文件或路徑，否則會出現很多異常！！！！！！！！

train:

- "D:/path/to/UA-DETRAC/DETRAC-VOC/DETRAC-train-voc/train.txt"

- "D:/path/to/UA-DETRAC/DETRAC-VOC/DETRAC-test-voc/test.txt" # 做模型性能測試時，測試集不要加入，避免指標有歧義

val:

- "D:/path/to/UA-DETRAC/DETRAC-VOC/DETRAC-test-voc/test.txt"

test: # test images (optional)

data_type: voc

# 1.設置類別個數，和要訓練的類別名稱，ID號從0開始遞增

nc: 4 # number of classes

names: { 'car': 0, 'bus': 1, 'van': 2,'others': 3 }

# 2.如果你想合併幾個類別進行訓練，比如將'[car','bus','van']看作一類，others看作另一類，則

#nc: 2 # number of classes

#names: { 'car': 0, 'bus': 0, 'van': 0,'others': 1 }

# 3.如果你想合併所有類別爲一個大類，進行訓練： unique表示合併所有類爲單獨一個類別

#nc: 1 # number of classes

#names: { "unique": 0 }

如果你想合併幾個類別進行訓練，比如將'[car','bus','van']看作一類，others看作另一類，則修改engine/configs/voc_local.yaml：

nc: 2 # number of classes

names: { 'car': 0, 'bus': 0, 'van': 0,'others': 1 }

如果你想合併所有類別爲一個大類，進行訓練： unique表示合併所有類爲單獨一個類別

nc: 1 # number of classes

names: { "unique": 0 }

（4）配置模型文件

官方YOLOv5給出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考慮到手機端CPU/GPU性能比較弱雞，直接部署yolov5s運行速度十分慢。所以本人在yolov5s基礎上進行模型輕量化處理，即將yolov5s的模型的channels通道數全部都減少一半，並且模型輸入由原來的640×640降低到416×416或者320×320，該輕量化的模型我稱之爲yolov5s05。從性能來看，yolov5s05比yolov5s快5多倍，而mAP下降了10%（0.57→0.47），對於手機端，這精度勉強可以接受。

下面是yolov5s05和yolov5s的參數量和計算量對比：

模型 input-size params(M) GFLOPs mAP0.5

yolov5s 640×640 7.2 16.5 0.57192

yolov5s05 416×416 1.7 1.8 0.47022

yolov5s05 320×320 1.7 1.1 0.44788

（5）重新聚類Anchor（可選）

官方yolov5s的Anchor是基於COCO數據集進行聚類獲得（詳見models/yolov5s.yaml文件）

對於yolov5s05的Anchor，由於輸入大小640縮小到320，其對應的Anchor也應該縮小一倍：

一點建議：

官方yolov5s的Anchor是基於COCO數據集進行聚類獲得，不同數據集需要做適當的調整，其最優Anchor建議重新進行聚類。

當然你要是覺得麻煩就跳過，不需要重新聚類Anchor，這個影響不是特別大。如果你需要重新聚類，請參考engine/kmeans_anchor/demo.py文件

（6）開始訓練

整套訓練代碼非常簡單操作，用戶只需要將相同類別的數據放在同一個目錄下，並填寫好對應的數據路徑，即可開始訓練了。

修改訓練超參文件： data/hyps/hyp.scratch-v1.yaml （可以修改訓練學習率，數據增強等方式，使用默認即可）

Linux系統終端運行，訓練yolov5s或輕量化版本yolov5s05_416或者yolov5s05_320 (選擇其中一個訓練即可)

#!/usr/bin/env bash

#--------------訓練yolov5s--------------

# 輸出項目名稱路徑

project="runs/yolov5s_640"

# 訓練和測試數據的路徑

data="engine/configs/voc_local.yaml"

# YOLOv5模型配置文件

cfg="yolov5s.yaml"

# 訓練超參數文件

hyp="data/hyps/hyp.scratch-v1.yaml"

# 預訓練文件

weights="engine/pretrained/yolov5s.pt"

python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 640 --workers 4 --project $project

#--------------訓練輕量化版本yolov5s05_416--------------

# 輸出項目名稱路徑

project="runs/yolov5s05_416"

# 訓練和測試數據的路徑

data="engine/configs/voc_local.yaml"

# YOLOv5模型配置文件

cfg="yolov5s05_416.yaml"

# 訓練超參數文件

hyp="data/hyps/hyp.scratch-v1.yaml"

# 預訓練文件

weights="engine/pretrained/yolov5s.pt"

python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 416 --workers 4 --project $project

#--------------訓練輕量化版本yolov5s05_320--------------

# 輸出項目名稱路徑

project="runs/yolov5s05_320"

# 訓練和測試數據的路徑

data="engine/configs/voc_local.yaml"

# YOLOv5模型配置文件

cfg="yolov5s05_320.yaml"

# 訓練超參數文件

hyp="data/hyps/hyp.scratch-v1.yaml"

# 預訓練文件

weights="engine/pretrained/yolov5s.pt"

python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 320 --workers 4 --project $project

Windows系統終端運行，yolov5s或輕量化版本yolov5s05_416或者yolov5s05_320 (選擇其中一個訓練即可)

#!/usr/bin/env bash

#--------------訓練yolov5s--------------

python train.py --data engine/configs/voc_local.yaml --cfg yolov5s.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 640 --workers 4 --project runs/yolov5s_640

#--------------訓練輕量化版本yolov5s05_416--------------

python train.py --data engine/configs/voc_local.yaml --cfg yolov5s05_416.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 416 --workers 4 --project runs/yolov5s05_416

#--------------訓練輕量化版本yolov5s05_320--------------

python train.py --data engine/configs/voc_local.yaml --cfg yolov5s05_320.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 320 --workers 4 --project runs/yolov5s05_320

開始訓練：

訓練數據量比較大，訓練時間比較長，請耐心等待哈

訓練完成後，在模型輸出目錄中有個results.csv文件，記錄每個epoch測試的結果，如loss,mAP等信息

訓練模型收斂後，yolov5s車輛檢測的mAP指標大約mAP_0.5=0.57192；而，yolov5s05_416 mAP_0.5=0.47022左右；yolov5s05_320 mAP_0.5=0.44788左右

（7）可視化訓練過程

訓練過程可視化工具是使用Tensorboard，使用方法：

# 基本方法

tensorboard --logdir=path/to/log/

# 例如

tensorboard --logdir ./data/model/yolov5s_640

當然，在輸出目錄，也保存很多性能指標的圖片

這是訓練epoch的可視化圖，可以看到mAP隨着Epoch訓練，逐漸提高

這是每個類別的F1-Score分數

這是模型的PR曲線

這是混淆矩陣：

（8）常見的錯誤

YOLOv5 BUG修復記錄

項目安裝教程請參考：項目開發使用教程和常見問題和解決方法

項目不要出現含有中文字符的目錄文件或路徑，否則會出現很多異常！！！！！！！！

4. Python版本車輛檢測效果

demo.py文件用於推理和測試模型的效果，填寫好配置文件，模型文件以及測試圖片即可運行測試了

測試圖片

# 測試圖片(Linux系統)

image_dir='data/car-test' # 測試圖片的目錄

weights="data/model/yolov5s_640/weights/best.pt" # 模型文件

out_dir="runs/car-result" # 保存檢測結果

python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dir

Windows系統，請將$image_dir， $weights ，$out_dir等變量代替爲對應的變量值即可，如

# 測試圖片(Windows系統)

python demo.py --image_dir data/car-test --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/car-result

測試視頻文件

# 測試視頻文件(Linux系統)

video_file="data/car-video.mp4" # path/to/video.mp4 測試視頻文件，如*.mp4,*.avi等

weights="data/model/yolov5s_640/weights/best.pt" # 模型文件

out_dir="runs/car-result" # 保存檢測結果

python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

# 測試視頻文件(Windows系統)

python demo.py --video_file data/car-video.mp4 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/car-result

測試攝像頭

# 測試攝像頭(Linux系統)

video_file=0 # 測試攝像頭ID

weights="data/model/yolov5s_640/weights/best.pt" # 模型文件

out_dir="runs/car-result" # 保存檢測結果

python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

# 測試攝像頭(Windows系統)

python demo.py --video_file 0 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/car-result

如果想進一步提高模型的性能，可以嘗試：

增加訓練的樣本數據：目前只有10W+的數據量，建議根據自己的業務場景，採集相關數據，提高模型泛化能力

使用參數量更大的模型：本教程使用的YOLOv5s，其參數量才7.2M，而YOLOv5x的參數量有86.7M，理論上其精度更高，但推理速度也較慢。

嘗試不同數據增強的組合進行訓練

5. Android版本車輛檢測效果

已經完成Android版本車輛檢測模型算法開發，APP在普通Android手機上可以達到實時的檢測和識別效果，CPU(4線程)約30ms左右，GPU約20ms左右，基本滿足業務的性能需求。詳細說明請查看《Android實現車輛檢測(含Android源碼，可實時運行)》

Android Demo體驗：

6.項目源碼下載

整套項目源碼內容包含：車輛檢測數據集 + YOLOv5訓練代碼和測試代碼

整套項目下載地址：深度學習目標檢測：YOLOv5實現車輛檢測(含車輛檢測數據集+訓練代碼)

（1）車輛檢測數據集：UA-DETRAC BITVehicle車輛檢測數據集(含下載地址)

UA-DETRAC車輛檢測數據集

Vehicle-Dataset車輛檢測數據集

BIT-Vehicle車輛檢測數據集

（2）YOLOv5訓練代碼和測試代碼（Pytorch）

整套YOLOv5項目工程的訓練代碼和測試代碼

支持高精度版本yolov5s訓練和測試

支持輕量化版本yolov5s05_320和yolov5s05_416訓練和測試

項目源碼自帶訓練好的模型文件，可直接運行測試Demo

根據本篇博文說明，簡單配置即可開始訓練