车辆检测

使用深度学习和YOLO算法进行车辆检测。

（在自定义数据集上训练YOLO v5）

<p float="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/214b9a49-8036-4631-ad8c-b816295fdb6b.jpg" width="600" /> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/f3495b1b-83cf-4ac4-a420-f956c0af8485.jpg" width="600" /> </p>

安装

git clone https://github.com/MaryamBoneh/Vehicle-Detection
cd Vehicle-Detection
pip install -r requirements.txt

数据集

拍摄或寻找车辆图像以创建用于微调的特定数据集。

训练集：70%

验证集：20%

测试集：10%

克隆Vehicle-Detection仓库

git clone https://github.com/MaryamBoneh/Vehicle-Detection
cd Vehicle-Detection
pip install -r requirements.txt

wandb

要获取mAP、损失、混淆矩阵和其他指标，请在www.wandb.ai上登录。

pip install wandb

训练

对yolov5的预训练模型进行微调。

python train.py --img 640 --batch 16 --epochs 50 --data dataset.yaml --weights yolov5m.pt

测试

训练完成后，会得到训练权重，您应该使用它们进行测试。

python detect.py --weights runs/train/exp12/weights/best.pt --source test_images/imtest13.JPG

您也可以直接使用'runs/train/exp12/weights/best.pt'路径下的权重文件，无需进行训练。 这个权重文件是在以下数据集上进行128轮训练的结果。

我的车辆数据集

https://b2n.ir/vehicleDataset

贡献

1. Fork 项目 (https://github.com/MaryamBoneh/Vehicle-Detection)
2. 创建您的特性分支 (git checkout -b feature/fooBar)
3. 提交您的更改 (git commit -am '添加一些 fooBar')
4. 推送到分支 (git push origin feature/fooBar)
5. 创建一个新的Pull Request