企业官网建设流程全解析

目标检测框架YOLOv5训练手语手势数据集

手语手势数据集

格式：yolo数据集格式
类别：你 时间 朋友 生日 名片 妻子 今天 门 我等共35个类别
标注软件：labelimg
总共有2300+张标记图像，主要应用背景：手语手势识别

时间/时候
你/您/你的/这
早上
9
0
快乐/高兴
新
祝
请
路
生日
平
安
朋友
8
认识
名片
结婚/妻子
茶
有
花
今天
门
停
谢谢
慢
走
晚
我
好
人

以YOLOv5为例，因为它是一个广泛应用的目标检测框架，并且支持Yolo格式的数据集。以下是详细的步骤和代码示例：

数据准备

1. 组织数据：
   • 确保你的图像文件位于images/目录下（可以进一步划分为train/、val/等子目录），对应的标签文件（YOLO格式）位于labels/目录下。
   • 创建一个data.yaml文件来描述你的数据集路径和类别信息。例如：

train:./path/to/train/imagesval:./path/to/val/imagesnc:35names:['时间/时候','你/您/你的/这','早上',...,'好','人']# 请根据实际类别列表填充

确保类别名称与标注时使用的完全一致。

安装依赖并获取YOLOv5

2. 如果你还没有安装YOLOv5，请先克隆仓库并安装所需的Python包：

gitclone https://github.com/ultralytics/yolov5# 克隆YOLOv5仓库cdyolov5 pipinstall-rrequirements.txt# 安装依赖

开始训练

3. 使用以下命令开始训练过程。你可以根据自己的需求调整参数，比如批次大小（--batch-size）、学习率（--lr）、epoch数（--epochs）等。

python train.py--img640--batch16--epochs100--datapath/to/your/data.yaml--weightsyolov5s.pt

• --img 640设置输入图像尺寸为640x640像素。
• --batch 16设置批次大小为16。
• --epochs 100设置训练轮次为100。
• --data path/to/your/data.yaml指定数据配置文件路径。
• --weights yolov5s.pt加载预训练权重作为起点。如果想从头开始训练，可以去掉此选项或选择其他合适的预训练权重。

评估模型

4. 训练完成后，可以使用以下命令评估模型性能：

python val.py--weightsruns/train/exp/weights/best.pt--datapath/to/your/data.yaml--img640--taskval

这将输出验证集上的mAP（mean Average Precision）等指标。

可视化预测结果

5. 使用YOLO提供的detect.py脚本可以对新图像进行预测，并保存带有边界框的结果图像：

python detect.py--sourcepath/to/test/images--weightsruns/train/exp/weights/best.pt--conf0.25--save-txt --save-conf

• --source path/to/test/images指定待预测图像或视频的路径。
• --weights runs/train/exp/weights/best.pt指定最佳权重文件路径。
• --conf 0.25设置置信度阈值。
• --save-txt保存预测结果为txt文件。
• --save-conf在txt文件中保存置信度分数。

为了提供更详细的指导，我们将进一步细化每个步骤，并补充一些关键点和代码示例。我们将使用YOLOv5作为示例框架来训练你的手语手势数据集。

1. 环境配置

首先确保你有一个合适的Python环境，并安装了必要的依赖项：

# 克隆YOLOv5仓库gitclone https://github.com/ultralytics/yolov5cdyolov5# 安装依赖pipinstall-rrequirements.txt

2. 数据准备

假设你的数据已经标注并转换为YOLO格式（通过LabelImg或其他工具），接下来需要组织这些数据以便于训练。

• 将图像文件放置在/path/to/images/train和/path/to/images/val中。
• 标签文件应放在对应的/path/to/labels/train和/path/to/labels/val目录下。
• 创建一个data.yaml文件，内容如下：

train:/path/to/images/trainval:/path/to/images/valnc:35# 类别数量names:['时间/时候','你/您/你的/这','早上',...,'好','人']# 所有类别名称

3. 训练模型

接下来是编写训练脚本。你可以直接调用YOLOv5的train.py脚本来开始训练过程，同时根据需要调整参数。

importtorch# 指定超参数imgsz=640# 图像尺寸batch_size=16# 批次大小epochs=100# 训练轮数weights='yolov5s.pt'# 预训练权重路径data='/path/to/data.yaml'# 数据配置文件路径# 开始训练model=torch.hub.load('ultralytics/yolov5','custom',path_or_model=weights)model.train(data=data,epochs=epochs,imgsz=imgsz,batch_size=batch_size)print("训练完成")

4. 模型评估

训练完成后，可以使用以下代码进行评估：

frompathlibimportPath# 加载最佳权重best_weights=str(Path('runs/train/exp/weights/best.pt'))# 根据实际情况修改路径# 使用验证集评估模型model=torch.hub.load('ultralytics/yolov5','custom',path_or_model=best_weights)results=model.val(data=data)# 输出mAP等指标print(results)

5. 可视化预测结果

对于新图像的预测与可视化，可以使用以下代码片段：

fromPILimportImageimportcv2# 加载模型model=torch.hub.load('ultralytics/yolov5','custom',path_or_model=best_weights)# 对单张图片进行预测defplot_one_box(x,img,color=None,label=None,line_thickness=None):tl=line_thicknessorround(0.002*(img.shape[0]+img.shape[1])/2)+1# line/font thicknesscolor=coloror[random.randint(0,255)for_inrange(3)]c1,c2=(int(x[0]),int(x[1])),(int(x[2]),int(x[3]))cv2.rectangle(img,c1,c2,color,thickness=tl,lineType=cv2.LINE_AA)iflabel:tf=max(tl-1,1)# font thicknesst_size=cv2.getTextSize(label,0,fontScale=tl/3,thickness=tf)[0]c2=c1[0]+t_size[0],c1[1]-t_size[1]-3cv2.rectangle(img,c1,c2,color,-1,cv2.LINE_AA)# filledcv2.putText(img,label,(c1[0],c1[1]-2),0,tl/3,[225,255,255],thickness=tf,lineType=cv2.LINE_AA)image_path='/path/to/test/image.jpg'img=Image.open(image_path)results=model(img)fori,(im,pred)inenumerate(zip(results.imgs,results.pred)):im=cv2.cvtColor(im,cv2.COLOR_RGB2BGR)ifpredisnotNone:for*box,conf,clsinpred:label=f'{results.names[int(cls)]}{conf:.2f}'plot_one_box(box,im,label=label,color=[0,255,0])cv2.imshow('Prediction',im)cv2.waitKey(0)cv2.destroyAllWindows()