yolo简介

yolo是一个高效的目标检测框架，首次提出是在2016年的论文《You Only Look Once: Unified, Real-Time Object Detection》。

优点

• 实时性
• 整体监测准确性：将对象检测视为一个单一的全卷积神经网络（CNN）任务，而不是分阶段的处理

核心思想

• 将图像分成固定大小的网格（grid cells）
• 每个网格负责预测几个边界框（bounding boxes）以及这些框内的对象类别概率
• 只需要对图像进行一次前向传播（inference）就可以得到所有对象的检测结果，这种方法使得YOLO能够快速处理图像

历史

• YOLO有多个版本，从最初的YOLOv1到后续的YOLOv2、YOLOv3、YOLOv4和最新的YOLOv5。每个版本都在速度和精度之间进行了优化
• YOLOv2引入了锚框（anchor boxes）来改进小物体检测
• YOLOv3引入了更大的输入尺寸和更多的卷积层，以及多尺度检测
• YOLOv4则进一步优化了架构和训练策略
• YOLOv5则采用了更现代的网络设计，如Mish激活函数和数据增强技术，以提高性能

实战

直接在Python中引入YOLOv5并运行官方的演示（demo），需要安装YOLOv5框架和依赖项。从GitHub仓库下载源码并使用requirements.txt文件来安装必要的Python库

步骤

1.下载YOLOv5源码

使用git clone或者直接下载，git clone直接输入指令git clone https://github.com/ultralytics/yolov5.git，直接下载则进入https://github.com/ultralytics/yolov5下载

2.安装依赖

• 进入源码目录cd yolov5
• 安装依赖： pip install -r requirements.txt
• 运行官方Demo： YOLOv5提供了一个detect.py脚本来进行对象检测。可以直接运行这个脚本，并指定一个图像或视频文件作为输入。如果想要检测data/images/bus.jpg，直接输入python detect.py --weights yolov5s.pt --img 640 --conf 0.5 --source data/images/bus.jpg
  这里的--weights参数是预训练模型的路径，--img是输入图像的大小，--conf是置信度阈值，--source是要检测的图像或视频文件。

如果想要从摄像头运行实时检测，可以输入python detect.py --weights yolov5s.pt --img 640 --conf 0.5 --source 0，程序会默认使用摄像头。

yolov5s.pt是预训练模型的权重文件，可以根据需要下载不同的模型文件进行替换，实现行人检测等功能。