基于yolov5的鸟类图像准确识别

项目要求

现有不同种类的鸟，每一类有5张图，要求是对每一幅图中的鸟进行准确定位，即用bounding box将图中的鸟框出来。演示如下：

实现步骤：

1、数据集的制作

使用Make Sense网站制作数据集，创建六类鸟的labels,并对图像进行标注，并将其导出为yolov所使用的文件形式

2、下载yolov5官方代码，并下载yolov5s.pt，将其作为预训练使用的权重。

3、在目录下新建一个mydata文件夹，在该文件夹下面新建如下图的文件夹

其中image的train和val文件夹中存放训练和预测的图片，labels下面存放制作好的数据集和用来预测的数据集(val下面的文件是后面运行过程中生成的)，test文件夹下存放用来测试的图片。

4、在文件中放入yolov5s.pt预训练权重。

5、将文件打包上传到colab上(本计算机算力不够，故采用colab进行训练)

6、修改colab配置，选择使用GPU进行训练

7、使用指令解压文件

!unzip -uq birds.zip

8、使用指令切换工作目录，并安装yolov5所需要的依赖库

%cd /content/birds/yolov5-master/
!pip install -r requirements.txt

9、将data目录下的VOC.yaml复制一份，并将其命名为birds.yaml,并修改以下代码为自己的文件路径

train: /content/birds/yolov5-master/mydata/images/train  # train images (relative to 'path')  30 imagesval: /content/birds/yolov5-master/mydata/images/val# Classes
nc: 6  # number of classes
names:  ["egrets family", "redshank", "avocet", "plover", "egret", "night heron"]   # class names

10、复制models文件下的yolov5s.yaml,并将其命名为yolov5s_birds.yaml,并修改该文件下nc：6

11、修改train.py中的代码,先设置100轮进行训练，并且修改batch-size大小为32，充分调用GPU，以及修改相关路径

parser = argparse.ArgumentParser()parser.add_argument('--weights', type=str, default='/content/birds/yolov5-master/weighs/yolov5s.pt', help='initial weights path')parser.add_argument('--cfg', type=str, default='/content/birds/yolov5-master/models/yolov5s_birds.yaml', help='model.yaml path')parser.add_argument('--data', type=str, default='/content/birds/yolov5-master/data/birds.yaml', help='dataset.yaml path')parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')parser.add_argument('--epochs', type=int, default=100)parser.add_argument('--batch-size', type=int, default=32, help='total batch size for all GPUs, -1 for autobatch')

12、使用指令进行训练

!python train.py

训练100轮后还行啦night heron的准确率不够，此时选择修改训练轮数为300，重新进行训练。

准确率得以提高。

13、启用tensorbord查看参数

tensorbord --logdir=runs/train

14、可以在本地进行测试，也可在colab进行测试，本次选择在本地进行测试，下载训练好的权重，放到本地的文件夹中。并修改detect.py中代码

parser = argparse.ArgumentParser()parser.add_argument('--weights', nargs='+', type=str, default='best.pt', help='model path(s)')parser.add_argument('--source', type=str, default='F:/birds/yolov5-master/mydata/test/', help='file/dir/URL/glob, 0 for webcam')

15、运行detect.py查看测试结果

测试结果

白鹭家族

红脚鹬

反嘴鹬

环颈珩

小白鹭

夜鹭

实验结果总结

总结：此项目是数字图像处理课程期末大实验，在实现过程中博主选择了使用yolov5来做，希望各位大佬批评指正

基于yolov5的鸟类图像准确识别相关推荐

基于YOLOv5的中式快餐店菜品识别系统
基于YOLOv5的中式快餐店菜品识别系统[金鹰物联智慧食堂项目] 摘要本文基于YOLOv5v6.1提出了一套适用于中式快餐店的菜品识别自助支付系统,综述了食品识别领域的发展现状,简要介绍了YOLOv ...
基于YOLOv5的舰船检测与识别系统（Python+清新界面+数据集）
摘要:基于YOLOv5的舰船检测与识别系统用于识别包括渔船.游轮等多种海上船只类型,检测船舰目标并进行识别计数,以提供海洋船只的自动化监测和管理.本文详细介绍船舰类型识别系统,在介绍算法原理的同时,给 ...
基于Yolov5的草莓病虫害检测识别
项目介绍上一篇文章介绍了基于卷积神经网络的交通标志分类识别Python交通标志识别基于卷积神经网络的保姆级教程(Tensorflow),并且最后实现了一个pyqt5的GUI界面,并且还制作了一个简单 ...
基于Yolov5的交通标志检测识别设计
项目介绍上一篇文章介绍了基于卷积神经网络的交通标志分类识别Python交通标志识别基于卷积神经网络的保姆级教程(Tensorflow),并且最后实现了一个pyqt5的GUI界面,并且还制作了一个简单 ...
目标检测论文解读复现之六：基于YOLOv5的遥感图像舰船的检测方法
目标检测论文解读复现文章目录目标检测论文解读复现前言一.摘要二.网络模型及核心创新点三.应用数据集四.实验效果五.实验结论六.投稿期刊介绍前言此前出了目标改进算法专栏,但是对于应 ...
基于YOLOv5行人车辆跟踪检测识别计数系统源码+数据集，实现出/入分别计数
yolov5 deepsort 行人车辆跟踪检测计数下载地址:基于YOLOv5行人车辆跟踪检测识别计数系统源码+数据集实现了出/入分别计数. 默认是南/北方向检测,若要检测不同位置 ...
毕业设计-基于深度学习的图像文字识别系统
目录前言课题背景和意义实现技术思路一.基本原理二.基于深度学习的图像文字识别技术三.总结实现效果图样例最后前言
基于特征融合的图像情感识别
向AI转型的程序员都关注了这个号???????????? 机器学习AI算法工程公众号:datayx 作者信息: 中国农业银行研发中心王哲图像中蕴含着大量的语义信息,如何挖掘这些信息,探究出 ...
基于Python实现的图像文字识别OCR工具
引言最近在技术交流群里聊到一个关于图像文字识别的需求,在工作.生活中常常会用到,比如票据.漫画.扫描件.照片的文本提取. 博主基于 PyQt + labelme + PaddleOCR 写了一个桌面 ...