YOLOv5分类任务——手势识别

1. 下载YOLOv5官方代码

ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)

2. 配置环境

打开终端，先建立名为YOLO5的环境，再将路径切换为requirements.txt文件夹所在的路径，再输入以下命令

pip install -r requirements.txt

操作没有问题的情况下，等待片刻环境就配置成功了。

3. 准备数据集

由于这是分类任务，数据集是不用标注的。只需先划分训练集、测试集、验证集，再将对应类别的图片放到对应类别的文件夹下即可。

这里的话每种类别400张图片，在训练集中有320张，测试集中有40张，验证集中有40张。

4. 准备预训练模型

如果让代码自动下载，会下载很久，推荐预先下载好了之后放在主文件夹下。

你可以访问以下链接下载预训练模型yolov5s-cls.pt：

https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s-cls.pt

如图所示

5. 训练模型

由于是分类任务，训练时用到的是classify文件夹下的train.py。数据会用到训练集和测试集。

找到parse_opt函数，设置命令行参数

parser.add_argument("--model", type=str, default="yolov5s-cls.pt", help="initial weights path")

 设置预训练模型为yolov5s-cls.pt

parser.add_argument("--data", type=str, default="D:\\object_detection\\yolov5-master\\datasets", help="cifar10, cifar100, mnist, imagenet, ...")

设置数据集路径为D:\\object_detection\\yolov5-master\\datasets

按运行键开始训练

显示

D:\Env\ANACONDA\envs\YOLO5\python.exe D:\object_detection\yolov5-master\classify\train.py 
github: skipping check (not a git repository), for updates see https://github.com/ultralytics/yolov5
classify\train: model=yolov5s-cls.pt, data=D:\object_detection\yolov5-master\datasets, epochs=10, batch_size=64, imgsz=224, nosave=False, cache=None, device=, workers=8, project=..\runs\train-cls, name=exp, exist_ok=False, pretrained=True, optimizer=Adam, lr0=0.001, decay=5e-05, label_smoothing=0.1, cutoff=None, dropout=None, verbose=False, seed=0, local_rank=-1
YOLOv5  2024-7-13 Python-3.8.0 torch-2.3.1+cpu CPU
 
TensorBoard: Start with 'tensorboard --logdir ..\runs\train-cls', view at http://localhost:6006/
albumentations:  not found, install with `pip install albumentations` (recommended)
Model summary: 149 layers, 4180166 parameters, 4180166 gradients, 10.5 GFLOPs
optimizer: Adam(lr=0.001) with parameter groups 32 weight(decay=0.0), 33 weight(decay=5e-05), 33 bias
Image sizes 224 train, 224 test
Using 8 dataloader workers
Logging results to ..\runs\train-cls\exp5
Starting yolov5s-cls.pt training on D:\object_detection\yolov5-master\datasets dataset with 6 classes for 10 epochs...
 
     Epoch   GPU_mem  train_loss   test_loss    top1_acc    top5_acc
      1/10        0G       0.533       0.562           1           1: 100%|██████████| 30/30 [01:51<00:00,  3.73s/it]
      2/10        0G       0.435       0.441           1           1: 100%|██████████| 30/30 [02:16<00:00,  4.57s/it]
      3/10        0G       0.428        0.43           1           1: 100%|██████████| 30/30 [02:23<00:00,  4.78s/it]
      4/10        0G       0.426       0.423           1           1: 100%|██████████| 30/30 [02:24<00:00,  4.81s/it]
      5/10        0G       0.425       0.423           1           1: 100%|██████████| 30/30 [02:24<00:00,  4.81s/it]
      6/10        0G       0.424       0.421           1           1: 100%|██████████| 30/30 [02:06<00:00,  4.23s/it]
      7/10        0G       0.423       0.423           1           1: 100%|██████████| 30/30 [02:05<00:00,  4.20s/it]
      8/10        0G       0.423       0.421           1           1: 100%|██████████| 30/30 [01:11<00:00,  2.38s/it]
      9/10        0G       0.422       0.421           1           1: 100%|██████████| 30/30 [00:59<00:00,  2.00s/it]
     10/10        0G       0.422       0.421           1           1: 100%|██████████| 30/30 [01:01<00:00,  2.07s/it]
 
Training complete (0.313 hours)
Results saved to ..\runs\train-cls\exp5
Predict:         python classify/predict.py --weights ..\runs\train-cls\exp5\weights\best.pt --source im.jpg
Validate:        python classify/val.py --weights ..\runs\train-cls\exp5\weights\best.pt --data D:\object_detection\yolov5-master\datasets
Export:          python export.py --weights ..\runs\train-cls\exp5\weights\best.pt --include onnx
PyTorch Hub:     model = torch.hub.load('ultralytics/yolov5', 'custom', '..\runs\train-cls\exp5\weights\best.pt')
Visualize:       https://netron.app
 
 
进程已结束，退出代码为 0

表明运行成功。

运行结果在"D:\object_detection\yolov5-master\runs\train-cls\exp5"路径下

文件夹weights：存储模型训练得到的权重（类似于人类学习得到的知识）

文件opt.yaml：YAML源文件，包含模型的配置选项

文件results.csv：XLS工作表，包含训练或测试的结果数据。

文件test_images.jpg：JPG图片文件，是用于测试的图片的拼图。

文件train_images.jpg：JPG图片文件，是用于训练的图片的拼图。

6. 评估模型

评估模型用到的是classify文件夹下的val.py文件。这个文件主要用于评估模型的性能。它会加载训练好的模型，然后使用验证数据集进行预测，计算模型在验证集上的性能指标（如准确率、召回率等），以评估模型的泛化能力。数据会用到验证集。

根据训练时的输出的这行提示，修改val.py中的weights和data参数

Validate:        python classify/val.py --weights ..\runs\train-cls\exp5\weights\best.pt --data D:\object_detection\yolov5-master\datasets

找到parse_opt函数，修改参数

    parser.add_argument("--data", type=str, default="D:\\object_detection\\yolov5-master\\datasets", help="dataset path")
    parser.add_argument("--weights", nargs="+", type=str, default="D:\\object_detection\\yolov5-master\\runs\\train-cls\\exp\\weights\\best.pt", help="model.pt path(s)")

运行 val.py显示的结果为

D:\Env\ANACONDA\envs\YOLO5\python.exe D:\object_detection\yolov5-master\classify\val.py 
classify\val: data=D:\object_detection\yolov5-master\datasets, weights=D:\object_detection\yolov5-master\runs\train-cls\exp5\weights\best.pt, batch_size=128, imgsz=224, device=, workers=8, verbose=True, project=..\runs\val-cls, name=exp, exist_ok=False, half=False, dnn=False
YOLOv5  2024-7-13 Python-3.8.0 torch-2.3.1+cpu CPU
 
Fusing layers... 
Model summary: 117 layers, 4174374 parameters, 0 gradients, 10.4 GFLOPs
testing: 100%|██████████| 2/2 [00:02<00:00,  1.36s/it]
                   Class      Images    top1_acc    top5_acc
                     all         240           1           1
                    back          40           1           1
                    down          40           1           1
                   front          40           1           1
                    left          40           1           1
                   right          40           1           1
                      up          40           1           1
Speed: 0.0ms pre-process, 9.4ms inference, 0.0ms post-process per image at shape (1, 3, 224, 224)
Results saved to ..\runs\val-cls\exp
 
进程已结束，退出代码为 0

结果显示，在所有类别上，准确率为100%，这意味着模型在这个验证集上的表现非常好。最后，预测结果被保存到了指定的文件夹中。 

7. 模型预测

使用模型进行预测用到的是classify文件夹下的predict.py文件，这个文件用于使用已经训练好的模型进行预测。它通常会加载预训练的模型，然后对输入的数据进行预测，并输出预测结果。

D:\Env\ANACONDA\envs\YOLO5\python.exe D:\object_detection\yolov5-master\classify\predict.py 
classify\predict: weights=..\runs\train-cls\exp5\weights\best.pt, source=D:\object_detection\yolov5-master\predictdata\right.jpg, data=..\data\coco128.yaml, imgsz=[224, 224], device=, view_img=False, save_txt=False, nosave=False, augment=False, visualize=False, update=False, project=..\runs\predict-cls, name=exp, exist_ok=False, half=False, dnn=False, vid_stride=1
YOLOv5  2024-7-13 Python-3.8.0 torch-2.3.1+cpu CPU
 
Fusing layers... 
Model summary: 117 layers, 4174374 parameters, 0 gradients, 10.4 GFLOPs
image 1/1 D:\object_detection\yolov5-master\predictdata\right.jpg: 224x224 down 0.41, right 0.34, back 0.10, front 0.06, up 0.05, 21.0ms
Speed: 0.0ms pre-process, 21.0ms inference, 0.0ms NMS per image at shape (1, 3, 224, 224)
Results saved to ..\runs\predict-cls\exp6
 
进程已结束，退出代码为 0

预测结果保存在D:\object_detection\yolov5-master\runs\predict-cls