YOLO在mac上的安装和使用
提示：文章写完后，目录可以自动生成，怎样生成可参考右边的帮助文档提示：以下是本篇文章正文内容，下面案例可供参考
一、YOLO的安装
1.在GitHub上下载源码：
https://github.com/ultralytics/yolov5/tree/v6.1
https://i-blog.csdnimg.cn/blog_migrate/4a89455041203c7e95ffae6488e3e50b.png#pic_center
2.设置环境：
1.将下载好的压缩包保存至一个没有中文的路径下，点击打开PyCharm，点击open按钮，在路径中找到刚刚的源码保存路径，即可在PyCharm中打开项目。
https://i-blog.csdnimg.cn/blog_migrate/f29103d3d9a5755e50086e77cc15097c.png#pic_center
⚠此时大概会跳出一个框，让你设置环境，先直接关掉。（我们后面再设置环境）
2.打开Anaconda，在左侧选择environments，点击下方create，我创建了一个新环境，定名为yolo5_test。（建议选择python3.9与yolov5适配）
https://i-blog.csdnimg.cn/blog_migrate/c624591e63e40d0812ca6718012aa759.png#pic_center
3.打开Pycharm设置Preference
https://i-blog.csdnimg.cn/blog_migrate/329d5e266fc3b5d10254f53af3bda333.png#pic_center
新建Python表明器的环境
https://i-blog.csdnimg.cn/blog_migrate/3bcec2749b969eddeff9b5512fb654ee.png#pic_center
4.系列库的安装
(1).打开终端，输入命令进入创建的Anaconda环境
conda activate yolov5_test
(yolov5_test是我创建的环境名，需换成你的)
(2).设置torch和torchvision
pip install torch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1
(输入后会自动提示得当你的版本，根据提示更改版本号安装即可）
(3).对照requirements.txt 设置其他所需安装包
pip install -r requirements.txt
这里我失败了，于是分别安装
pip install numpy
pip install opencv-python
pip install matplotlib
pip install pillow
pip install PyYAM
pip install scipy
pip install tqdm
pip install requests
5.运行程序
基本测试需要运行detect.py
（这里我运行时出现了bug，发现还有一些包未安装，根据提示又安装了缺少的包）
终极在pycharm中运行结果如下
https://i-blog.csdnimg.cn/blog_migrate/8e199c9cf68fe3985273018051057128.png#pic_center
打开exp查看结果
https://i-blog.csdnimg.cn/blog_migrate/919b73e89c228a4fcbad3603193b07ba.png#pic_center
二、用YOLO测试视频
1.测试下载视频
将视频放入yolov5-6.1/data/images/中，在pycharm中运行detect.pyhttps://i-blog.csdnimg.cn/blog_migrate/b06da2f71395d23d0e80991ed0d93801.png#pic_center
打开yolov5-6.1/runs/detect/exp查看结果代码如下（示例）：
https://i-blog.csdnimg.cn/blog_migrate/3c0134236c13e115284391b9aa1118f7.png#pic_center
2.用电脑自带摄像头实时监测
在detect文件末了找到此行代码
https://i-blog.csdnimg.cn/blog_migrate/d014d817ec902c0b66b99d57918f1970.png#pic_center
改为：
cd_argument('--source', type=str, default='0', help='source')# file/folder, 0 for webcam
同样打开yolov5-6.1/runs/detect/exp查看结果
三、训练自己的数据集
1.创建环境
创建一个新的anaconda环境
conda create -n tf python=3.9.18
（改成自己的python版本）
切换到tf环境（重新打开终端时要记得切到这个环境）
conda activate tf
(前面有（tf）则是转换成功)
2.安装macos版本的TensorFlow
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ tensorflow==2.6
3.pyqt5安装
法一
pip install pyqt5
(这里我失败了）
法二 安装homebrew
/usr/bin/ruby-e"$(curl-fsSLhttps://raw.githubusercontent.com/Homebrew/install/master/install)"
通过homebrew安装pyqt5
brew install pyqt5
4.安装torch和torchvision
pip install torch==1.7.1 torchvision==0.8.2 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple/torch
5.安装labelimg
法一
pip install labelimg
这里我失败了
法二 进入labelimg的github地点https://github.com/HumanSignal/labelImg
https://i-blog.csdnimg.cn/blog_migrate/01da0335f63a60f5793192d2084361bf.png#pic_center
打开终端输入cd 将labeling-master文件夹拖入
brew install qt
brew install libxml2
conda install lxml
make qt5py3
python labelImg.py
就可以用labelimg标注文件啦
https://i-blog.csdnimg.cn/blog_migrate/890b2e55acc93acb44730f3bb83b5e93.png#pic_center
在yolov5目录下新建一个名为VOCData的文件夹，在VOCData文件夹下创建 Annotations 和 images 文件夹。
images文件夹放要训练的图片
打开目录为images文件夹
更改存放目录为Annotions文件夹
标记图片快捷键：w：标记 a：上一张图片 d：下一张图片
标注的时间尽大概贴近物体表面
6.分别数据集以及设置文件修改
(1)分别训练集、验证集、测试集
在终端中打开images文件夹（根据自己路径找）
cd /Users/zhuoxiaohua/Documents/yolov5-6.1/VOCData/images
Is -a
rm .DS_Store
在macos下，文件夹内会生成.Ds_store隐藏文件要先删除
在VOCData目录下创建程序 split_train_val.py 并运行以下代码（代码可以不做任何修改）
#coding:utf-8
import os
import random
import argparse
parser = argparse.ArgumentParser()
#xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
#数据集的划分，地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1.0# 训练集和验证集所占比例。 这里没有划分测试集
train_percent = 0.9 # 训练集所占比例，可自己进行调整
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
name = total_xml[:-4] + '\n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
运行结束后会在生成一个名为 ImageSets 的文件夹
[说明]：在第14，15行代码中
训练集是用来训练模型的，通过实验差别的方法和思路使用训练集来训练差别的模型；
验证集使用交叉验证来挑选最优的模型，通过不断的迭代来改善模型在验证集上的性能；
测试集用来评估模型的性能。
(2)XML格式转yolo_txt格式
在VOCData目录下创建程序 xml_to_yolo.py 并运行以下代码
注意：将classes改为自己标注时设置的类名（我这里叫"code"），将各个绝对路径修改为自己的
#-*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ["code"]# 改成自己的类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size)
dh = 1. / (size)
x = (box + box) / 2.0 - 1
y = (box + box) / 2.0 - 1
w = box - box
h = box - box
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image):
in_file = open('/Users/zhuoxiaohua/Downloads/yolov5-6.1/VOCData/Annotations/%s.xml' % image, encoding='utf-8')
out_file = open('/Users/zhuoxiaohua/Downloads/yolov5-6.1/VOCData/labels/%s.txt' % image, 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
# difficult = obj.find('Difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join() + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('/Users/zhuoxiaohua/Downloads/yolov5-6.1/VOCData/labels/'):
os.makedirs('/Users/zhuoxiaohua/Downloads/yolov5-6.1/VOCData/labels/')
image_ids = open(
'/Users/zhuoxiaohua/Downloads/yolov5-6.1/VOCData/ImageSets/Main/%s.txt' % image_set).read().strip().split()
if not os.path.exists('/Users/zhuoxiaohua/Downloads/yolov5-6.1/VOCData/dataSet_path/'):
os.makedirs('/Users/zhuoxiaohua/Downloads/yolov5-6.1/VOCData/dataSet_path/')
list_file = open('/Users/zhuoxiaohua/Downloads/yolov5-6.1/VOCData/dataSet_path/%s.txt' % image_set, 'w')
for image_id in image_ids:
list_file.write('/Users/zhuoxiaohua/Downloads/yolov5-6.1/VOCData/images/%s.jpeg\n' % image_id)
convert_annotation(image_id)
list_file.close()
运行后会生成dataSet_path 和 labels 文件夹。dataSet_path下会有三个数据集的txt文件，labels下存放各个图像的标注文件。
(3)设置文件
在 yolov5 的 data 文件夹下创建一个名为 myvoc.yaml，模板如下，改成自己的路径，根据自己现实情况填写：
（【
页:
[1]