Yolov5-执行命令参数总结

Yolov5-环境安装部署（Mac系统）

应用举例

1、选择某一个训练好的模型文件，其中参数量和模型规模存在差异。

python detect.py --weights yolov5x.pt      

2、对指定目录下的图片进行检测识别
source：检测目标，可以时单张图片、文件夹、屏幕或者是摄像头。

python detect.py --weights yolov5x.pt  --source data/images/bus.jpg     

3、对屏幕进行识别，判断是否有可识别的对象存在

python detect.py --weights yolov5x.pt  --source screen

会生成如下结果，表示当前屏幕界面中没有监控项。

各个参数的解释：

运行时参照上述的命令进行编写。

• weights: 模型路径或Triton URL，指定用于目标检测的预训练模型。
• source: 输入数据的来源，可以是文件、目录、URL、通配符、屏幕截图或摄像头索引（0表示默认摄像头）。
• data: 数据集配置文件的路径，用于指定数据集的相关信息和预处理方法。
• imgsz: 推理时图像的大小，以像素为单位，格式为(height, width)。
• conf_thres: 置信度阈值，只有置信度大于该阈值的目标才会被检测出来。
• iou_thres: NMS（非极大值抑制）的IOU阈值，用于筛选重叠程度较高的边界框。
• max_det: 每张图像的最大检测数量。
• device: 使用的计算设备，可以是CUDA设备的索引或者’cpu’。
• view_img: 是否显示检测结果的图像。
• save_txt: 是否将检测结果保存为文本文件。
• save_conf: 是否在保存的标签中包含置信度信息。
• save_crop: 是否保存裁剪后的预测框图像。
• nosave: 是否不保存图像或视频。
• classes: 根据类别进行过滤，例如"–class 0"表示只检测类别为0的目标。
• agnostic_nms: 是否使用类别无关的NMS算法。
• augment: 是否进行数据增强推理。
• visualize: 是否可视化特征图。
• update: 是否更新所有模型。
• project: 结果保存的目录。
• name: 结果保存的名称。
• exist_ok: 如果存在相同的项目/名称，是否继续执行而不增加编号。
• line_thickness: 边界框的线条粗细（以像素为单位）。
• hide_labels: 是否隐藏标签。
• hide_conf: 是否隐藏置信度信息。
• half: 是否使用FP16半精度浮点数进行推理。
• dnn: 是否使用OpenCV DNN进行ONNX推理。
• vid_stride: 视频帧率步长。