深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码)-526互联

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

深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码)

1. 前言

2. 车辆检测数据集说明

（1）车辆检测数据集

（2）自定义数据集

3. 基于YOLOv5的车辆检测模型训练

（1）YOLOv5安装

（2）准备Train和Test数据

（3）配置数据文件

（4）配置模型文件

（5）重新聚类Anchor（可选）

（6）开始训练

（7）可视化训练过程

（8）常见的错误

4. Python版本车辆检测效果

5. Android版本车辆检测效果

6.项目源码下载

1. 前言

本篇博客，我们将手把手教你搭建一个基于YOLOv5的车辆目标检测项目。目前，基于YOLOv5s的车辆平均精度平均值mAP_0.5=0.57192，mAP_0.5:0.95=0.41403，基本满足业务的性能需求。另外，为了能部署在手机Android平台上，本人对YOLOv5s进行了模型轻量化，开发了一个轻量级的版本yolov5s05_416和yolov5s05_320，在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右，基本满足业务的性能需求。

先展示一下Python版本车辆检测Demo效果：

【尊重原创，转载请注明出处】https://panjinquan.blog.csdn.net/article/details/128099672

更多项目《智能驾驶车牌检测和识别》系列文章请参考：

智能驾驶车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181

智能驾驶车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068

智能驾驶车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704209

智能驾驶车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704242

智能驾驶车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704276

智能驾驶红绿灯检测（一）《红绿灯(交通信号灯)数据集》：https://blog.csdn.net/guyuealian/article/details/128222850

智能驾驶红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128240198

智能驾驶红绿灯检测（三）《Android实现红绿灯检测(含Android源码可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128240334

智能驾驶车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：https://blog.csdn.net/guyuealian/article/details/127907325

智能驾驶车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128099672

智能驾驶车辆检测（三）《Android实现车辆检测(含Android源码可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128190532

2. 车辆检测数据集说明

（1）车辆检测数据集

目前收集了约10W+的车辆检测数据集：UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集:

关于车辆检测数据集使用说明和下载，详见另一篇博客说明：《UA-DETRAC BITVehicle车辆检测数据集(含下载地址)》

（2）自定义数据集

如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：

采集图片，建议不少于200张图片

使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).

将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub

生成训练集train.txt和验证集val.txt文件列表

修改engine/configs/voc_local.yaml的train和val的数据路径

重新开始训练

3. 基于YOLOv5的车辆检测模型训练

（1）YOLOv5安装

训练Pipeline采用YOLOv5: https://github.com/ultralytics/yolov5 , 原始代码训练需要转换为YOLO的格式，不支持VOC的数据格式。为了适配VOC数据，本人新增了LoadVOCImagesAndLabels用于解析VOC数据集，以便正常训练。另外，为了方便测试，还增加demo.py文件，可支持对图片,视频和摄像头的测试。

Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应

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

项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

项目开发使用教程和常见问题和解决方法

视频教程：1 手把手教你安装CUDA和cuDNN(1)

视频教程：2 手把手教你安装CUDA和cuDNN(2)

视频教程：3 如何用Anaconda创建pycharm环境

视频教程：4 如何在pycharm中使用Anaconda创建的python环境

（2）准备Train和Test数据

下载车辆检测数据集，总共约10W+的图片：UA-DETRAC车辆检测数据集+Vehicle-Dataset车辆检测数据集+BITVehicle车辆检测数据集

考虑到UA-DETRAC车辆检测数据集比较大，其训练的模型的检测效果相对比较好，因此后续以UA-DETRAC车辆检测数据集为示例，说明训练过程。其他数据集训练，请根据自己环境，适当修改即可。

（3）配置数据文件

修改训练和测试数据的路径：engine/configs/voc_local.yaml

注意数据路径分隔符使用【/】,不是【\】

项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！

# 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, ..]

# 数据路径

path: "" # dataset root dir

# 注意数据路径分隔符使用【/】,不是【\】

# 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！

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" # 做模型性能测试时，测试集不要加入，避免指标有歧义

val:

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

test: # test images (optional)

data_type: voc

# 1.设置类别个数，和要训练的类别名称，ID号从0开始递增

nc: 4 # number of classes

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

# 2.如果你想合并几个类别进行训练，比如将'[car','bus','van']看作一类，others看作另一类，则

#nc: 2 # number of classes

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

# 3.如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别

#nc: 1 # number of classes

#names: { "unique": 0 }

如果你想合并几个类别进行训练，比如将'[car','bus','van']看作一类，others看作另一类，则修改engine/configs/voc_local.yaml：

nc: 2 # number of classes

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

如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别

nc: 1 # number of classes

names: { "unique": 0 }

（4）配置模型文件

官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。从性能来看，yolov5s05比yolov5s快5多倍，而mAP下降了10%（0.57→0.47），对于手机端，这精度勉强可以接受。

下面是yolov5s05和yolov5s的参数量和计算量对比：

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）重新聚类Anchor（可选）

官方yolov5s的Anchor是基于COCO数据集进行聚类获得（详见models/yolov5s.yaml文件）

对于yolov5s05的Anchor，由于输入大小640缩小到320，其对应的Anchor也应该缩小一倍：

一点建议：

官方yolov5s的Anchor是基于COCO数据集进行聚类获得，不同数据集需要做适当的调整，其最优Anchor建议重新进行聚类。

当然你要是觉得麻烦就跳过，不需要重新聚类Anchor，这个影响不是特别大。如果你需要重新聚类，请参考engine/kmeans_anchor/demo.py文件

（6）开始训练

整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

修改训练超参文件： data/hyps/hyp.scratch-v1.yaml （可以修改训练学习率，数据增强等方式，使用默认即可）

Linux系统终端运行，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可)

#!/usr/bin/env bash

#--------------训练yolov5s--------------

# 输出项目名称路径

project="runs/yolov5s_640"

# 训练和测试数据的路径

data="engine/configs/voc_local.yaml"

# YOLOv5模型配置文件

cfg="yolov5s.yaml"

# 训练超参数文件

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

# 预训练文件

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

#--------------训练轻量化版本yolov5s05_416--------------

# 输出项目名称路径

project="runs/yolov5s05_416"

# 训练和测试数据的路径

data="engine/configs/voc_local.yaml"

# YOLOv5模型配置文件

cfg="yolov5s05_416.yaml"

# 训练超参数文件

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

# 预训练文件

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

#--------------训练轻量化版本yolov5s05_320--------------

# 输出项目名称路径

project="runs/yolov5s05_320"

# 训练和测试数据的路径

data="engine/configs/voc_local.yaml"

# YOLOv5模型配置文件

cfg="yolov5s05_320.yaml"

# 训练超参数文件

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

# 预训练文件

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系统终端运行，yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可)

#!/usr/bin/env bash

#--------------训练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

#--------------训练轻量化版本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

#--------------训练轻量化版本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

开始训练：

训练数据量比较大，训练时间比较长，请耐心等待哈

训练完成后，在模型输出目录中有个results.csv文件，记录每个epoch测试的结果，如loss,mAP等信息

训练模型收敛后，yolov5s车辆检测的mAP指标大约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）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法：

# 基本方法

tensorboard --logdir=path/to/log/

# 例如

tensorboard --logdir ./data/model/yolov5s_640

当然，在输出目录，也保存很多性能指标的图片

这是训练epoch的可视化图，可以看到mAP随着Epoch训练，逐渐提高

这是每个类别的F1-Score分数

这是模型的PR曲线

这是混淆矩阵：

（8）常见的错误

YOLOv5 BUG修复记录

项目安装教程请参考：项目开发使用教程和常见问题和解决方法

项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！

4. Python版本车辆检测效果

demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

测试图片

# 测试图片(Linux系统)

image_dir='data/car-test' # 测试图片的目录

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

out_dir="runs/car-result" # 保存检测结果

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

Windows系统，请将$image_dir， $weights ，$out_dir等变量代替为对应的变量值即可，如

# 测试图片(Windows系统)

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

测试视频文件

# 测试视频文件(Linux系统)

video_file="data/car-video.mp4" # path/to/video.mp4 测试视频文件，如*.mp4,*.avi等

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

out_dir="runs/car-result" # 保存检测结果

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

# 测试视频文件(Windows系统)

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

测试摄像头

# 测试摄像头(Linux系统)

video_file=0 # 测试摄像头ID

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

out_dir="runs/car-result" # 保存检测结果

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

# 测试摄像头(Windows系统)

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

如果想进一步提高模型的性能，可以尝试：

增加训练的样本数据：目前只有10W+的数据量，建议根据自己的业务场景，采集相关数据，提高模型泛化能力

使用参数量更大的模型：本教程使用的YOLOv5s，其参数量才7.2M，而YOLOv5x的参数量有86.7M，理论上其精度更高，但推理速度也较慢。

尝试不同数据增强的组合进行训练

5. Android版本车辆检测效果

已经完成Android版本车辆检测模型算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约20ms左右，基本满足业务的性能需求。详细说明请查看《Android实现车辆检测(含Android源码，可实时运行)》

Android Demo体验：

6.项目源码下载

整套项目源码内容包含：车辆检测数据集 + YOLOv5训练代码和测试代码

整套项目下载地址：深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码)

（1）车辆检测数据集：UA-DETRAC BITVehicle车辆检测数据集(含下载地址)

UA-DETRAC车辆检测数据集

Vehicle-Dataset车辆检测数据集

BIT-Vehicle车辆检测数据集

（2）YOLOv5训练代码和测试代码（Pytorch）

整套YOLOv5项目工程的训练代码和测试代码

支持高精度版本yolov5s训练和测试

支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试

项目源码自带训练好的模型文件，可直接运行测试Demo

根据本篇博文说明，简单配置即可开始训练