type
status
date
slug
summary
tags
category
icon
password
前言
这几天一方面在忙着工训的实习，明天就到工训实习的实习的最后一天的，已经五六天没写文章了。简单回顾一下，
正文
这部分主要介绍是怎么认识yolov5的，起因是电子课程设计，选择了基于图像处理的水果识别的这个课题，然后开始查资料，了解相关的技术路线。由于是第一次做这种课题，并且还得负责主要任务，心累之余做肯定是要做的。我先去bilibili查找了相关的课题，大多数是通过matlab进行相对应的识别的，但是我觉得似乎不是很符合我的预期。
基本思路
于是我打算更进一步去想如何去做这个问题，当然解决问题，和写报告是很不一样的思路，写报告是不管怎么样，尽可能可读性强，但是解决问题，最主要的是理清楚思路。既然bilibli的综合排序没有找到我要的效果，通过询问gpt我大概得出了以下的思路：
起初我想从比较熟悉的FPGA的相关的技术路线进行尝试，也查阅了相关的材料，但是实现的难度有点高。涉及到特征提取的有Sobel算法，可以对轮廓做很好的处理。
然后还发现一个up主做的毕设和这个也是相关的，很有意思。
然后查找了一些文献，如下：
在文献1，当中采取的方式，首先是先对图像进行预处理，对图像进行平滑去噪，图像增强，完成图像从环境中分离出来。然后进行特征提取，其中有颜色特征，纹理特征，然后放入BP神经网络分类器进行训练。
在文献2，主要是针对方案一中的图像预处理进行了相对应的优化，采用了FPGA当中的Soebl边缘化提取特征向量。然后对比SSD、YOLO、CenterNet等方式的性能。
在文献3，基本思路是和文献1类似的，多出了一些特征，比如面积特征，周长特征，弧度特征，颜色特征，然后通过神经网络进行分类。
在文献4，采用的方式是进行YOLOv5模型进行水果自动识别，但是对模型进行了一些改进。在yolov5对网络后面又增加了一层网络，按照重要程度强化有用的特征，抑制掉无用的特征，替换了边框回归损失函数，提升了预测的精度。
在文献5，同样也是对yolov5算法进行优化和改进，也是通过更换深度可分离卷积和添加注意力机制模块，提升准确度和降低网络负担。
选择yolov5
因为刚接触这个问题，通过查阅的文献，感觉选择yolo的方式更加便于实践学习和操作。
关于yolov5的简介：
好在，可以站在巨人的肩膀上。我通过博主：思绪无限 的文章进行了学习。
环境配置
对于刚开始使用pycharm的我，来说，配置环境还是走了不少弯路的，前期，要下载pycharm和anaconda，用于配置环境，一开始我在Mac系统上配置环境没有成功，一直不知道如何把pycharm关联anaconda的环境，后来就转到win下进行操作。关于如何搭建并配置深度学习环境，我参考了up主：思绪无限的教程，初步完成了环境的激活。
训练自己的数据集
这部分介绍如何训练自己的数据集。
采集所需要的识别物体的图像
我是通过手机进行摄影，然后通过usb上传到电脑，然后手机拍摄的图片肯定太大了，而且在yolov5的官方文档上说，训练的数据集最好能达到1500张以上。然后非常感谢一个宝藏的批量图片裁剪在线网页，没有广告，而且效率很高，我把770多张图片裁剪为640*640的大小，减小图片的体积。
11.18更新：今天用safari测试才发现，可能是我在win上开了插件，所以没广告，所以也在safari上装了插件。
labelimg
之前通过23张图片，简单熟悉了yolo的训练流程，后面购买了，红富士，黄元帅，和国光，三种类型的苹果进行数据采集，目的是为了通过yolov5来训练模型识别这三种水果的能力。
前期通过不同角度完成了对数据集的拍摄，共计770张图片，然后次日花了很久用labelimg软件对图片进行数据标注，在此不得不提一下。labelimg软件我刚开始觉得非常难用，因为需要配置python环境，而且动不动就闪退。就在我找不到头绪之际，非常感谢up主：小周不会做 提供的灵感，up主提供了labelimg的打包版，这样子就可以启动并进行使用了，让图片得到顺利的标注。
正确配置路径
然后可以现在本地环境上进行调试一下，可以参考这位up主：遗落的教程，讲解得很详细。还有怎么用快捷键打标签，可以参照这位up主：圣音去扉的教程。然后需要现在本地环境能够正常的跑成功，在这前提下，可以尝试使用带有GPU的云服务器进行训练。
AutoDL
然后，你还需要配置CUDA环境，在服务器上安装必要的环境，然后就可以开始使用gpu进行愉快的训练了。我使用的是英伟达的3080显卡，速度已经感觉很快了，但是770张200轮跑下来，也花了一个半小时。
总结
后续还需要进行参数微调，但是自我感觉时间有限，还有点累，所以，这篇文章后面就写得很简单，我又得做又得写报告，虽然很难崩得住，但是也得顶住啊。
- Author:非常6+1
- URL:https://matrixcore.love/article/yolov5-1
- Copyright:All articles in this blog, except for special statements, adopt BY-NC-SA agreement. Please indicate the source!