🍨 本文為🔗365天深度學習訓練營 中的學習記錄博客Y1中的內容
🍖 原作者：K同學啊 | 接輔導、項目定制
** 注意該訓練營出現故意不退押金，惡意揣測偷懶用假的結果冒充真實打卡記錄，在提出能夠拿到視頻錄像證據后，仍然拉黑刪除處理不溝通，并且學習資源也不對我開放。但是我有提前學習預習的習慣，學習資料有正常保存。目前據打卡結束還有兩周，本篇為第12個月的第2篇學習，按照規則還差一周就能拿到押金退還，會照常打卡，打卡結束后如果仍舊沒有拿到押金，將會繼續通過一切法律手段維護作為消費者的合法權益。有相同經歷者請與我聯系。**
目錄
- 0.總結
- 1. 配置環境
- 2. 運行代碼
- 3. 視頻檢測
0.總結
YOLO（You Only Look Once）是一種非常流行的目標檢測算法，用于從圖像或視頻中實時識別物體。與傳統的目標檢測方法不同，YOLO將目標檢測任務轉化為回歸問題，在一個單獨的神經網絡中同時完成物體的定位和分類。因此，YOLO的主要特點是高效、實時，并且能夠處理復雜的場景。
YOLO的工作流程如下：
- 圖像分割：將輸入圖像分為多個網格。
- 邊界框預測：每個網格預測一定數量的邊界框，每個邊界框包含物體的坐標、寬高以及該物體的類別概率。
- 目標分類與置信度：每個邊界框會給出一個目標類別的概率，以及置信度分數，用來判斷該框是否包含目標。
YOLO的版本更新迭代很快，最新的版本（如YOLOv5、YOLOv7等）對精度和速度進行了優化，并且提供了很多實際應用中可以直接使用的預訓練模型。
對于初學者，以下是一些學習YOLO的步驟：
- 基礎知識：學習一些基礎的計算機視覺知識，如圖像處理、卷積神經網絡（CNN）等。
- 學習深度學習框架：YOLO是基于深度學習的，掌握一些深度學習框架（如TensorFlow、PyTorch）對于理解和使用YOLO非常重要。
- 閱讀YOLO的論文：YOLO的創始人Joseph Redmon發布了YOLO的多篇論文，閱讀這些論文可以幫助你更深入理解YOLO的工作原理。
- 動手實踐：使用現有的YOLO模型進行實驗，選擇一些目標檢測任務進行訓練和優化。可以嘗試使用開源的YOLO實現，如YOLOv5，它有詳細的文檔和示例，適合初學者。
- 調優和優化：在訓練過程中嘗試調節模型參數、使用不同的數據集以及進行模型評估和性能優化。
yolov5官方網站：https://github.com/ultralytics/yolov5
重要建議：
-
如果你正在使用YOLOv5或YOLOv7，Python 3.7到3.10的版本是最為推薦的。
-
在安裝相關依賴時，可以創建一個虛擬環境，并確保Python版本與你的YOLO版本兼容，這樣可以避免庫沖突。
1. 配置環境
打開官網后下載代碼
新建一個jupyter notebook 的虛擬環境用來專門運行yolo,關于建立虛擬環境請看我的這篇博客使用Anaconda Prompt 創建虛擬環境總結
建立好環境后，找到剛下載的代碼文件中的requirments.txt文件 運行 pip install -r requirments.txt 注意文件要和代碼保持在一個文件夾里，或者直接指定具體路勁如下：
pip install -r D:\DataAnalysis\jupyter_notebook_warehouse\pytorch學習\yolov5-master\requirements.txt
等待環境配置好
2. 運行代碼
運行代碼，注意文件路徑換成自己的：python D:\DataAnalysis\jupyter_notebook_warehouse\pytorch學習\yolov5-master\detect.py --source D:\DataAnalysis\jupyter_notebook_warehouse\pytorch學習\yolov5-master\data\images\bus.jpg --weights yolov5s.pt --img 640
注意我這里執行了 "cd /d D: ",路徑涉及到跨不同的驅動器（C盤和D盤）可能會拋出錯誤
運行成功后會有上述結果，根據路徑查看對應圖片
3. 視頻檢測
方法一樣，切換對應路徑即可
python D:\DataAnalysis\jupyter_notebook_warehouse\pytorch學習\yolov5-master\detect.py --source D:\DataAnalysis\jupyter_notebook_warehouse\pytorch學習\data\crossfire2024-03-11.mp4
同樣在圖片上的文件夾里找到對應處理結果，有待改進的一點是檢測似乎只用到了CPU？
可以看到對游戲視頻錄像里的人物識別并不那么準確，最好實際場景的視頻做檢測
