swjtulinxi / yolov5_in_tf2_keras

tf2-keras implement yolov5

YOLOv5 in tesnorflow2.x-keras

• yolov5数据增强jupyter示例
• Bilibili视频讲解地址: 《yolov5 解读,训练,复现》
• Bilibili视频讲解PPT文件: yolov5_bilibili_talk_ppt.pdf
• Bilibili视频讲解PPT文件: yolov5_bilibili_talk_ppt.pdf (gitee链接)

模型测试

• 训练 猫狗检测 3.7k

• 检测效果

()

• mAP@0.5/mAP@0.5:0.95/精度/召回率

train epoch 284/299: 100%|██████████████████████████| 146/146 [01:29<00:00,  1.63it/s, loss=0.88708]
training dataset val: 100%|███████████████████████████████████████| 146/146 [00:38<00:00,  3.77it/s]
   class   mAP@0.5  mAP@0.5:0.95  precision    recall
0    cat  0.886272      0.544572   0.376286  0.922149
1    dog  0.920848      0.522949   0.481021  0.944245
2  total  0.903560      0.533760   0.428654  0.933197
val dataset val: 100%|██████████████████████████████████████████████| 38/38 [00:06<00:00,  5.94it/s]
   class   mAP@0.5  mAP@0.5:0.95  precision    recall
0    cat  0.905156      0.584378   0.682848  0.886555
1    dog  0.940633      0.513005   0.724036  0.934866
2  total  0.922895      0.548692   0.703442  0.910710
save ./logs/yolov5s-best.h5 best weight with 0.548691646029708 mAP.
save ./logs/yolov5s-last.h5 last weights at epoch 284.

Requirements

pip3 install -r requirements.txt

Get start

0. 下载数据集

https://www.kaggle.com/datasets/andrewmvd/dog-and-cat-detection/download

解压数据将images目录修改为JPEGImages, 放到 ./data/cat_dog_face_data下

1. 训练

python3 train.py

2. tensorboard

tensorboard --host 0.0.0.0 --logdir ./logs/ --port 8053 --samples_per_plugin=images=40

3. 查看

http://127.0.0.1:8053

4. 测试, 修改detect.py里面input_image和model_path

python3 detect.py

5. 评估验证

python3 val.py

训练自己的数据

1. labelme打标自己的数据
2. 打开data/labelme2coco.py脚本, 修改如下地方

input_dir = '这里写labelme打标时保存json标记文件的目录'
output_dir = '这里写要转CoCo格式的目录，建议建一个空目录'
labels = "这里是你打标时所有的类别名, txt文本即可, 每行一个类, 类名无需加引号"

3. 执行data/labelme2coco.py脚本会在output_dir生成对应的json文件和图片
4. 修改train.py文件中train_coco_json, val_coco_json, num_class, classes
5. 开始训练, python3 train.py