行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)

1. 前言

2. 人体检测数据集说明

（1）人体检测数据集

（2）自定义数据集

3. 基于YOLOv5的人体检测模型训练

（1）YOLOv5安装

（2）准备Train和Test数据

（3）配置数据文件

（4）配置模型文件

（5）重新聚类Anchor（可选）

（6）开始训练

（7）可视化训练过程

（8）常见的错误

4. Python版本人体检测效果

5. Android版本人体检测效果

6.项目源码下载

1. 前言

这是项目《行人检测(人体检测)》系列之《YOLOv5实现人体检测(含人体检测数据集和训练代码)》；项目基于开源YOLOv5项目，实现一个高精度的人体检测（行人检测）算法（ Person Detection， Pedestrian Detection）；

目前，基于YOLOv5s的人体检测精度平均值mAP_0.5=0.98432，mAP_0.5:0.95=0.84354。为了能部署在手机Android平台上，本人对YOLOv5s进行了简单的模型轻量化，并开发了一个轻量级的版本yolov5s05_416和yolov5s05_320模型；轻量化模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约30ms左右，GPU约25ms左右，基本满足业务的性能需求。下表格给出轻量化模型的计算量和参数量以及其检测精度

模型	input-size	params(M)	GFLOPs	mAP_0.5	mAP_0.5:0.95
yolov5s	640×640	7.2	16.5	0.98432	0.84284
yolov5s05	416×416	1.7	1.8	0.97004	0.76103
yolov5s05	320×320	1.7	1.1	0.96448	0.73216

先展示一下人体检测效果：

【整套项目下载地址】行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/128954588

更多项目《行人检测(人体检测)》系列文章请参考：

行人检测(人体检测)1：人体检测数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/128821763
行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/128954588
行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954615
行人检测(人体检测)4：C++实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/guyuealian/article/details/128954638

如果需要进行人像分割，实现一键抠图效果，请参考文章：《一键抠图Portrait Matting人像抠图 (C++和Android源码)》

2. 人体检测数据集说明

（1）人体检测数据集

目前收集了约10W+的人体检测数据集，数据集主要来源于VOC，COCO和MPII的人体数据集，关于人体数据集说明，请参考《行人检测(人体检测)1：人体检测数据集(含下载链接)》：https://blog.csdn.net/guyuealian/article/details/128821763

（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的人体检测模型训练

（1）YOLOv5安装

训练Pipeline采用YOLOv5: GitHub - ultralytics/yolov5: YOLOv5