正文

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：

【整套项目下载地址】：YOLOv5实现车辆检测(含车辆检测数据集+训练代码)

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

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说明

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

（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

# 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
train:
  - "path/to/UA-DETRAC/DETRAC-VOC/DETRAC-train-voc/train.txt"
  - "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:
  - "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）
编辑train.sh脚本训练，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 64 --imgsz 640 --workers 12 --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 64 --imgsz 416 --workers 12 --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 64 --imgsz 320 --workers 12 --project $project

开始训练： bash train.sh

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：

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
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

测试视频文件

# 测试视频文件
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

测试摄像头

# 测试摄像头
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

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：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
根据本篇博文说明，简单配置即可开始训练

行人车辆检测与计数系统（python+yolov5深度学习模型+清新界面）(代码片段)

行人车辆检测与计数系统用于交通路口行人及车辆检测计数，道路人流量、车流量智能监测，方便记录、显示、查看和保存检测结果。本文详细介绍行人车辆检测，在介绍算法原理的同时，给出Python的实现代码、PyQt的UI界面以及... 查看详情

行人车辆检测与计数系统（python+yolov5深度学习模型+清新界面）(代码片段)

摘要：行人车辆检测与计数系统用于交通路口行人及车辆检测计数，道路人流量、车流量智能监测，方便记录、显示、查看和保存检测结果。本文详细介绍行人车辆检测，在介绍算法原理的同时，给出Python的... 查看详情

matlab深度学习采用fasterr-cnn实现车辆目标检测(代码片段)

本文展示了如何使用MATLAB训练FasterR-CNN目标检测器，实现对车辆的检测。本例使用一个包含295张图像的小标记数据集。每个图像包含一个或两个已标记的车辆目标。一个小的数据集对于探索FasterR-CNN训练过程是有用的，但... 查看详情

matlab深度学习采用fasterr-cnn实现车辆目标检测(代码片段)

android实现车辆检测(含android源码可实时运行)(代码片段)

Android实现车辆检测(含Android源码可实时运行)目录Android实现车辆检测(含Android源码可实时运行)1.前言2.车辆检测数据集说明3.基于YOLOv5的车辆检测模型训练4.车辆检测模型Android部署（1）将Pytorch模型转换ONNX模型（2）... 查看详情

android实现车辆检测(含android源码可实时运行)(代码片段)

23年车辆检测+车距检测+行人检测+车辆识别+车距预测（附yolov5最新版源码）(代码片段)

...（双目测距）_SYBH.的博客-CSDN博客_yolo测距基于yolo目标检测算法实现的车前道路中的车辆和行人检测，并且可以估测出目标与本车之间的距离。_1671465600htt 查看详情

[深度学习][数据集][目标检测]工程车辆数据集16881张15种类别车辆介绍

数据集格式：PascalVOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml)图片数量(jpg文件个数)：16881标注数量(xml文件个数)：16881标注类别数：16标注类别名称:["chanche","wajuej... 查看详情

深度学习目标检测：yolov5实现红绿灯检测(含红绿灯数据集+训练代码)(代码片段)

深度学习目标检测：YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)1.前言本篇博客，我们将手把手教你搭建一个基于YOLOv5的红绿灯目标检测项目。目前，基于YOLOv5s的红绿灯检测精度平均值mAP_0.5=0.93919，mAP_0... 查看详情

深度学习目标检测：yolov5实现红绿灯检测(含红绿灯数据集+训练代码)(代码片段)

车辆计数基于matlabgui背景差分法道路行驶多车辆检测含matlab源码1911期(代码片段)

一、背景差分法和帧间差分法的车辆运动目标检测简介1引言运动目标检测是从图像序列中检测运动目标.通过运动目标检测可以得到图像中的运动目标,获取图像中的运动信息.运动目标检测在医学辅助诊断、航天航空、军事导弹... 查看详情

使用深度学习进行自动车牌检测和识别

作者|小白来源|小白学视觉介绍在现代世界的不同方面，信息技术的大规模集成导致了将车辆视为信息系统中的概念资源。由于没有任何数据，自主信息系统就没有任何意义，因此需要在现实和信息系统之间改革车辆... 查看详情

实时车辆行人多目标检测与跟踪系统-上篇（ui界面清新版，python代码）

摘要：本文详细介绍如何利用深度学习中的YOLO及SORT算法实现车辆、行人等多目标的实时检测和跟踪，并利用PyQt5设计了清新简约的系统UI界面，在界面中既可选择自己的视频、图片文件进行检测跟踪，也可以通过电脑自带的摄像... 查看详情

yolo车辆测距+车辆识别+单目测距（双目测距）(代码片段)

...车辆在地面上，其接地点Q必定在地面上。那么Q点的深度便可以求解出来。具体求解步骤懒得打公式了，就截图了。在单目测距过程中，实际物体上的Q点在成像的图片上对应Q’点，Q’点距离o1点沿y轴的距离为o1p... 查看详情

目标检测与识别车辆信息原理与实践详解(代码片段)

目标检测与识别车辆信息是一种应用广泛的技术，它可以帮助我们更好地了解道路交通状况，提高交通安全性。在本文中，我将详细介绍目标检测与识别车辆信息的工作原理、应用场景、挑战和未来发展方向。一、目标检测与识... 查看详情

23年yolov5车辆识别+行人识别+车牌识别+车速检测代码（python）

行人识别yolov5和v7对比yolo车距yolo车距1代码：yolov5车辆检测代码已有1503人下载代码无需更改，直接可以预测！！！流程：查看详情

ua-detracbitvehicle车辆检测数据集(含下载地址)(代码片段)

UA-DETRACBITVehicle车辆检测数据集(含下载地址)目录UA-DETRACBITVehicle车辆检测数据集使用说明和下载一、车辆检测数据集介绍1.UA-DETRAC车辆检测数据集 2.Vehicle-Dataset车辆检测数据集 3.BIT-Vehicle车辆检测数据集二.车辆检测数据集下... 查看详情