scaactk/yolov5_in_tf2_keras

YOLOv5 in TF2 > TFLite > ONNX > TensorRT

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)
• yolov5 tflite android 部署
• yolov5 ncnn android 部署

模型测试

• 训练 猫狗检测 3.7k

• 检测效果

()

• TFLite Android 测试效果：

• mAP@0.5/mAP@0.5:0.95/精度/召回率

class	mAP@0.5	mAP@0.5:0.95	precision	recall
cat	0.962680	0.672483	0.721003	0.958333
dog	0.934285	0.546893	0.770701	0.923664
total	0.948482	0.609688	0.745852	0.940999

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
或者从releasev1.0下载:
https://github.com/yyccR/yolov5_in_tf2_keras/releases/download/v1.0/JPEGImages.zip

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

6. 导出TFLite格式

cd ./data
python3 ./h5_to_tfite.py

7. 导出ONNX格式

cd ./data
python3 ./h5_to_onnx.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