本科阶段最后一次竞赛Vlog——2024年智能车大赛智慧医疗组准备全过程—

本科阶段最后一次竞赛Vlog——2024年智能车大赛智慧医疗组准备全过程——2Yolo使用之ONNX模型准备

大家好，因为板端BPU环境，可以加速目标检测的速度，所以今天在此先给大家带来如何准备一个模型，下一期会给大家带来如何在板端部署这一期的目标识别模型

本文给大家带来的是yolov5-2.0 版本，在我最先接触的就是这个板子，当时也是参考了地平线社区的大佬带来一些方法，当然这个参考是在下一期哈哈、

这一期其方法上是通用的，出这一期也是能够方便大家以后学会yolo任何版本的使用。

因为我没有研究很深入，我写是针对比赛，至于其他版本会不会在使用过程中有小坑，在地平线官网也是有教程的，大家需要其他版本的可以去看看其他大佬的文章。

1.获取目标检测源码

首先，是要获得yolov5-2.0得源码，正常情况是要教大家去github进行下载源码的，但是咳咳好像不太容易，因为“科学上网”

当然下载完成2.0版本还有有很多bug的，这里给大家以附件形式给出我的源码吧

下载的源码里主要由一下文件夹

2.数据准备与标记

要训练一个模型，首先需要一定的图片数据，然后标记，接下来开始告诉大家如何进行这些准备

当然你首先要有Pyhton环境，这里就不教大家配置Python了，我这里使用的是Anaconda+Pycharm

之前发现哔哩哔哩有好多讲解使用，大家可以看下

2.1 数据集准备

首先建立一个文件夹dataset，里面放置image和label，每个子文件夹里面放置train和test。然后把你的jpg或者png图片放在image的train里面

2.2 数据标记

打开你的命令行，输入如下

pip install labelimg

稍等安装完毕，然后在命令行输入，如下内容，你会发现弹出如下窗口

labelimg

接下来点击View-选择第一行设置自动保存模式

接下来点击 Open Dir——>选择你刚才image所在的目录

接下来选择 Change Save Dir 找到你的label文件夹里的train

最后保证选择Yolo模式

此刻你就可以看到你的图片已经加载进来了

这里把鼠标移动到页面里，按下键盘里w,会出现一个十字

这时候你就可以，进行绘制矩形了，绘制完成后，就会出现一个提示框，这里写上你的标签

当你打完这个标签之后，使用键盘键A和D，可以切换上一张，下一张，最后你标记完成你所有图片，应该是下面这个样子

一个文件夹有图片，另外一个文件夹里面是txt格式文件

3.配置文件

3.1目录结构

在你下载的源码中创建下面这样的文件夹，接下来，我将挨个进行刚才没有提及的文件进行解释

3.2 test

对于test里面的文件夹，这里下面我给大家提供一个分割脚本，其实本质是就是将刚才打标签的所有内容，进行划分，分成两部分

当然下面代码是要大家改一些东西的，一些路径字符串我已经给大家写好了，大家改成自己对应的就可以了

import os
import shutil
from sklearn.model_selection import train_test_splitdef move_files(src_dir, dst_dir, files, extension):"""将指定的文件从源目录移动到目标目录。"""os.makedirs(dst_dir, exist_ok=True)  # 如果目标目录不存在，则创建for base_name in files:src_path = os.path.join(src_dir, f"{base_name}{extension}")dst_path = os.path.join(dst_dir, f"{base_name}{extension}")shutil.move(src_path, dst_path)def split_dataset(src_images_dir, src_labels_dir, dst_dirs, train_ratio=0.8, val_ratio=0.1):"""将数据集分为训练集、验证集和测试集，并移动到指定目录。参数:- src_images_dir: 图片的源目录。- src_labels_dir: 标签的源目录。- dst_dirs: 目标目录的字典，包含'train', 'val', 'test'对应的图片和标签目录。- train_ratio: 训练集在总数据中的比例。- val_ratio: 验证集在总数据中的比例。"""test_ratio = 1 - train_ratio - val_ratioassert test_ratio > 0, "Invalid ratios: Sum of train and val ratios must be less than 1."# 读取并分割数据files = [os.path.splitext(file)[0] for file in os.listdir(src_images_dir)]train_files, test_files = train_test_split(files, test_size=test_ratio, random_state=42)train_files, val_files = train_test_split(train_files, test_size=val_ratio / (train_ratio + val_ratio),random_state=42)# 移动文件到相应的目录for part, file_list in [('train', train_files), ('val', val_files), ('test', test_files)]:move_files(src_images_dir, dst_dirs[part]['images'], file_list, '.jpg') #这里使用的是jpg格式，如果是png需要修改move_files(src_labels_dir, dst_dirs[part]['labels'], file_list, '.txt')def main():# 定义源目录src_images_dir = r'刚才的tain里面的所有图片'src_labels_dir = r'刚才label所有txt'# 定义目标目录dst_dirs = {'train': {'images': r'训练集图片路径','labels': r'训练集标签路径'},'val': {'images': r'验证集图片路径','labels': r'验证集标签路径'},'test': {'images': r'测试集标签路径','labels': r'测试集标签路径'}}# 调用函数，进行数据划分和文件移动split_dataset(src_images_dir, src_labels_dir, dst_dirs, train_ratio=0.8, val_ratio=0.1)if __name__ == '__main__':main()

3.3 my_model.yaml

对于这个yaml文件，大家只需要吧第一个参数nc改成自己的实际类别，对于小白其他参数不需要管

# parameters
nc: 1  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple# anchors
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32# YOLOv5 backbone
backbone:# [from, number, module, args][[-1, 1, Focus, [64, 3]],  # 0-P1/2[-1, 1, Conv, [128, 3, 2]],  # 1-P2/4[-1, 3, BottleneckCSP, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 9, BottleneckCSP, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, BottleneckCSP, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 1, SPP, [1024, [5, 9, 13]]],[-1, 3, BottleneckCSP, [1024, False]],  # 9]# YOLOv5 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, BottleneckCSP, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, BottleneckCSP, [256, False]],  # 17[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, BottleneckCSP, [512, False]],  # 20[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, BottleneckCSP, [1024, False]],  # 23[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]

3.4 my_para.yaml

对于这个yaml文件，下面四个参数都要修改，具体修改下面已经用中文给出大家了

# COCO 2017 dataset http://cocodataset.org - first 128 training images
# Download command:  python -c "from yolov5.utils.google_utils import *; gdrive_download('1n_oKgR81BJtqk75b00eAjdv03qVCQn2f', 'coco128.zip')"
# Train command: python train.py --data coco128.yaml
# Default dataset location is next to /yolov5:
#   /parent_folder
#     /coco128
#     /yolov5# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: "训练集图片的路径"  # 128 images
val: "验证集的图片路径"  # 128 images# 这个地方写类别个数，数字
nc: 1# class names
names: ['刚才标记的字符串名字','标记的第二个label名字']