目标检测经典模型之YOLOV5-detect.py源码解析（持续更新）
detect文件框架
- 一、导入模块包
- 二、定义run函数
- 1. 归一化操作
- 代码解析
- uint8
- 精度转换
- 归一化
- 2. 扩展维度
- 为什么扩展维度？
- 代码解释
- 3. 对检测结果类别计数
- 检查是否有检测结果
- 统计每个类别的出现次数
- 构建描述性字符串
- 三、定义命令行参数
- 四、主函数
本帖是YOLOV5推理部分代码的中文逐行注释。由于AI注释的缘故，可能与源码会有小部分出入，所以不建议复制粘贴替换源码的detect.py文件。本贴的初衷是YOLOV5源码逻辑的学习，后续会不断修正该代码和加入新的注释。
（图片来源网络，侵删）一、导入模块包
import argparse # 引入argparse库，用于解析命令行参数 import os # 引入os库，用于进行操作系统相关的操作 import platform # 引入platform库，用于获取平台信息 import sys # 引入sys库，用于操作Python运行时环境 from pathlib import Path # 引入Path库，用于处理文件和目录路径 import cv2 # 引入OpenCV库，用于图像处理 import torch # 引入PyTorch库，用于深度学习 FILE = Path(__file__).resolve() # 获取当前文件的绝对路径 ROOT = FILE.parents[0] # 获取当前文件的父目录路径 if str(ROOT) not in sys.path: # 如果当前文件的父目录路径不在系统路径中 sys.path.append(str(ROOT)) # 将当前文件的父目录路径添加到系统路径中 ROOT = Path(os.path.relpath(ROOT, Path.cwd())) # 将ROOT路径相对于当前工作目录进行转换 from ultralytics.utils.plotting import Annotator, colors, save_one_box from models.common import DetectMultiBackend # 从models.common模块中导入DetectMultiBackend类 from utils.dataloaders import LoadImages, LoadStreams # 从utils.dataloaders模块中导入LoadImages和LoadStreams类 from utils.general import ( # 从utils.general模块中导入多个函数和类 LOGGER, Profile, check_file, check_img_size, check_imshow, check_requirements, colorstr, cv2, increment_path, non_max_suppression, print_args, scale_boxes, strip_optimizer, xyxy2xywh, ) from utils.torch_utils import select_device, smart_inference_mode # 从utils.torch_utils模块中导入select_device和time_sync和smart_inference_mode函数二、定义run函数
@smart_inference_mode() def run( weights='yolov5s.pt', # 模型权重文件路径，默认值为'yolov5s.pt' source='data/images', # 输入源，可以是文件、目录、URL或摄像头，默认值为'data/images' data='data/coco128.yaml', # 数据集配置文件路径，默认值为'data/coco128.yaml' imgsz=640, # 输入图像尺寸，默认值为640 conf_thres=0.25, # 置信度阈值，默认值为0.25 iou_thres=0.45, # 非极大值抑制的IoU阈值，默认值为0.45 max_det=1000, # 每张图像的最大检测数量，默认值为1000 device='', # 使用的设备，可以是'cpu'或'cuda:0'，默认值为'' view_img=False, # 是否显示检测结果，默认值为False save_txt=False, # 是否将检测结果保存到文本文件，默认值为False save_conf=False, # 是否保存置信度，默认值为False save_crop=False, # 是否保存裁剪后的检测框，默认值为False nosave=False, # 是否保存图像/视频，默认值为False classes=None, # 按类别过滤，例如0或0 2 3，默认值为None agnostic_nms=False, # 是否使用类别无关的NMS，默认值为False augment=False, # 是否使用增强推理，默认值为False visualize=False, # 是否可视化特征，默认值为False update=False, # 是否更新所有模型，默认值为False project='runs/detect', # 保存结果的项目路径，默认值为'runs/detect' name='exp', # 保存结果的文件夹名称，默认值为'exp' exist_ok=False, # 是否允许现有项目名称，默认值为False line_thickness=3, # 边界框的厚度（像素），默认值为3 hide_labels=False, # 是否隐藏标签，默认值为False hide_conf=False, # 是否隐藏置信度，默认值为False half=False, # 是否使用FP16半精度推理，默认值为False dnn=False, # 是否使用OpenCV DNN进行ONNX推理，默认值为False vid_stride=1, # 视频帧率步幅，默认值为1 ): # 将source变量转换为字符串 source = str(source) # 判断是否需要保存推理后的图像，除非指定了--nosave或source是文本文件 save_img = not nosave and not source.endswith(".txt") # 判断source是否是一个图像或视频文件 is_file = Path(source).suffix[1:] in (IMG_FORMATS + VID_FORMATS) # 判断source是否是一个网络链接 is_url = source.lower().startswith(("rtsp://", "rtmp://", "http://", "https://")) # 判断source是否是一个网络摄像头流或屏幕截图指令或一个有效的URL webcam = source.isnumeric() or source.endswith(".streams") or (is_url and not is_file) # 判断source是否是一个屏幕截图指令 screenshot = source.lower().startswith("screen") # 如果source是一个有效的URL并且指向一个文件，下载这个文件 if is_url and is_file: source = check_file(source) # 创建保存结果的目录，如果存在则覆盖或增量命名 save_dir = increment_path(Path(project) / name, exist_ok=exist_ok) # 创建用于保存标签的子目录 (save_dir / "labels" if save_txt else save_dir).mkdir(parents=True, exist_ok=True) # 加载模型并选择设备（CPU或GPU） device = select_device(device) model = DetectMultiBackend(weights, device=device, dnn=dnn, data=data, fp16=half) # 获取模型的步幅、类别名以及模型是否是PyTorch模型 stride, names, pt = model.stride, model.names, model.pt # 检查并调整图像尺寸以适应模型的步幅 imgsz = check_img_size(imgsz, s=stride) # 设置batch_size为1，因为通常推理是单张图像进行 bs = 1 # 根据source类型选择数据加载方式 if webcam: # 对于网络摄像头流，检查是否可以显示图像 view_img = check_imshow(warn=True) # 加载网络摄像头流数据 dataset = LoadStreams(source, img_size=imgsz, stride=stride, auto=pt, vid_stride=vid_stride) # 确定batch_size bs = len(dataset) elif screenshot: # 加载屏幕截图数据 dataset = LoadScreenshots(source, img_size=imgsz, stride=stride, auto=pt) else: # 加载普通图像或视频数据 dataset = LoadImages(source, img_size=imgsz, stride=stride, auto=pt, vid_stride=vid_stride) # 初始化视频路径和视频写入器列表 vid_path, vid_writer = [None] * bs, [None] * bs # 模型预热 model.warmup(imgsz=(1 if pt or model.triton else bs, 3, *imgsz)) # 初始化计数器和时间记录器 seen, windows, dt = 0, [], (Profile(device=device), Profile(device=device), Profile(device=device)) # 遍历数据集中的每一张图片 for path, im, im0s, vid_cap, s in dataset: # 测量预处理时间 with dt[0]: # 将图像转换为Tensor并移至适当设备 im = torch.from_numpy(im).to(model.device) # 调整数据类型和归一化 im = im.half() if model.fp16 else im.float() im /= 255 # 扩展维度以匹配batch_size if len(im.shape) == 3: im = im[None] # 如果模型是XML格式且batch_size大于1，将图像拆分为多个部分 if model.xml and im.shape[0] > 1: ims = torch.chunk(im, im.shape[0], 0) # 执行推理 with dt[1]: # 可视化模式，保存可视化结果 visualize = increment_path(save_dir / Path(path).stem, mkdir=True) if visualize else False # 如果模型是XML格式且batch_size大于1，逐个执行推理 if model.xml and im.shape[0] > 1: pred = None for image in ims: if pred is None: pred = model(image, augment=augment, visualize=visualize).unsqueeze(0) else: pred = torch.cat((pred, model(image, augment=augment, visualize=visualize).unsqueeze(0)), dim=0) pred = [pred, None] # 否则直接执行推理 else: pred = model(im, augment=augment, visualize=visualize) # 进行非最大值抑制 with dt[2]: pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det) # 定义CSV文件路径 csv_path = save_dir / "predictions.csv" # 定义函数将预测数据写入CSV文件 def write_to_csv(image_name, prediction, confidence): """将预测数据写入CSV文件，如果文件不存在则创建新文件。""" data = {"Image Name": image_name, "Prediction": prediction, "Confidence": confidence} with open(csv_path, mode="a", newline="") as f: writer = csv.DictWriter(f, fieldnames=data.keys()) if not csv_path.is_file(): writer.writeheader() writer.writerow(data) # 处理预测结果 for i, det in enumerate(pred): # 遍历每一张图片的预测结果 seen += 1 # 增加已处理图片的数量 # 如果是网络摄像头流，获取路径、原始图像和帧号 if webcam: p, im0, frame = path[i], im0s[i].copy(), dataset.count s += f"{i}: " else: p, im0, frame = path, im0s.copy(), getattr(dataset, "frame", 0) # 将路径转换为Path对象 p = Path(p) # 构建保存图像的路径 save_path = str(save_dir / p.name) # 构建保存标签的路径 txt_path = str(save_dir / "labels" / p.stem) + ("" if dataset.mode == "image" else f"_{frame}") # 更新打印字符串 s += "%gx%g " % im.shape[2:] # 计算归一化增益 gn = torch.tensor(im0.shape)[[1, 0, 1, 0]] # 为保存裁剪图像复制原始图像 imc = im0.copy() if save_crop else im0 # 创建Annotator对象用于在图像上绘制 annotator = Annotator(im0, line_width=line_thickness, example=str(names)) # 如果有检测结果 if len(det): # 对每个类别进行计数 for c in det[:, 5].unique(): n = (det[:, 5] == c).sum() s += f"{n} {names[int(c)]}{'s' * (n > 1)}, " # 写入预测结果到CSV文件 if save_csv: write_to_csv(p.name, label, confidence_str) # 将检测框坐标从模型输出大小缩放回原图大小 det[:, :4] = scale_boxes(im.shape[2:], det[:, :4], im0.shape).round() # 将检测结果写入文件或在图像上绘制 for *xyxy, conf, cls in reversed(det): c = int(cls) # 整数类别 label = names[c] if hide_conf else f"{names[c]}" confidence = float(conf) confidence_str = f"{confidence:.2f}" # 如果需要保存CSV文件，写入数据 if save_csv: write_to_csv(p.name, label, confidence_str) # 如果需要保存文本标签文件，写入数据 if save_txt: xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist() line = (cls, *xywh, conf) if save_conf else (cls, *xywh) with open(f"{txt_path}.txt", "a") as f: f.write(("%g " * len(line)).rstrip() % line + "\n") # 如果需要保存图像或裁剪图像或显示图像，在图像上绘制边界框 if save_img or save_crop or view_img: c = int(cls) label = None if hide_labels else (names[c] if hide_conf else f"{names[c]} {conf:.2f}") annotator.box_label(xyxy, label, color=colors(c, True)) # 如果需要保存裁剪图像，保存裁剪的检测框 if save_crop: save_one_box(xyxy, imc, file=save_dir / "crops" / names[c] / f"{p.stem}.jpg", BGR=True) # 绘制结果 im0 = annotator.result() # 如果需要显示图像，在窗口中显示 if view_img: if platform.system() == "Linux" and p not in windows: windows.append(p) cv2.namedWindow(str(p), cv2.WINDOW_NORMAL | cv2.WINDOW_KEEPRATIO) cv2.resizeWindow(str(p), im0.shape[1], im0.shape[0]) cv2.imshow(str(p), im0) cv2.waitKey(1) # 如果需要保存图像，保存结果 if save_img: if dataset.mode == "image": cv2.imwrite(save_path, im0) else: if vid_path[i] != save_path: vid_path[i] = save_path if isinstance(vid_writer[i], cv2.VideoWriter): vid_writer[i].release() if vid_cap: fps = vid_cap.get(cv2.CAP_PROP_FPS) w = int(vid_cap.get(cv2.CAP_PROP_FRAME_WIDTH)) h = int(vid_cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) else: fps, w, h = 30, im0.shape[1], im0.shape[0] save_path = str(Path(save_path).with_suffix(".mp4")) vid_writer[i] = cv2.VideoWriter(save_path, cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h)) vid_writer[i].write(im0) # 输出单张图像的推理时间 LOGGER.info(f"{s}{'' if len(det) else '(no detections), '}{dt[1].dt * 1E3:.1f}ms") # 输出整体速度统计 t = tuple(x.t / seen * 1e3 for x in dt) LOGGER.info(f"Speed: %.1fms pre-process, %.1fms inference, %.1fms NMS per image at shape {(1, 3, *imgsz)}") # 输出保存结果的信息 if save_txt or save_img: s = f"\n{len(list(save_dir.glob('labels/*.txt')))} labels saved to {save_dir / 'labels'}" if save_txt else "" LOGGER.info(f"Results saved to {colorstr('bold', save_dir)}{s}") # 如果有模型更新，清理优化器 if update: strip_optimizer(weights[0])1. 归一化操作
# 遍历数据集中的每一张图片 for path, im, im0s, vid_cap, s in dataset: # 测量预处理时间 with dt[0]: # 将图像转换为Tensor并移至适当设备 im = torch.from_numpy(im).to(model.device) # 调整数据类型和归一化 im = im.half() if model.fp16 else im.float() im /= 255
这段代码是针对深度学习模型输入预处理的一部分，特别是在使用PyTorch框架时。这里是针对YOLOv5或类似的模型，它说明了如何将输入图像从uint8格式转换为适合模型输入的格式，即fp16（半精度浮点数，16位）或fp32（单精度浮点数，32位）。
代码解析
uint8
uint8类型用于数字图像时，每个像素的颜色通道（如红、绿、蓝）通常使用uint8类型表示，每个通道的值范围从0（黑色）到255（最饱和的颜色）。
精度转换
im = im.half() if model.fp16 else im.float()
这段代码检查模型是否支持半精度（fp16）计算。如果model.fp16为True，则im.half()将图像张量从uint8转换为fp16（半精度浮点数）。如果model.fp16为False，则im.float()将图像张量转换为fp32（单精度浮点数）。
注意：uint8到fp16或fp32的转换是隐式的，即当从uint8类型转换到浮点类型时，原本的整数值会被转换为相应的浮点数值，但不会改变其数值大小。例如，uint8的255在转换为fp32后仍然是255.0。
归一化
im /= 255 # 0 - 255 to 0.0 - 1.0
这行代码将图像张量的像素值从uint8的0到255范围归一化到fp16或fp32的0.0到1.0之间。这是深度学习模型输入预处理中常见的一步，帮助模型在训练和推断时获得更好的数值稳定性，同时使不同亮度和对比度的图像在模型眼中更加“平等”。
这段代码的关键在于它确保了输入图像被适当地格式化和归一化，以供模型进行有效处理。模型是否使用半精度计算取决于模型自身的配置（model.fp16），这通常在模型训练时为了提高计算效率和减少内存使用而设定。归一化步骤则是深度学习图像处理中普遍采用的预处理步骤，确保模型输入的一致性和数值稳定性。
2. 扩展维度
# 扩展维度以匹配batch_size if len(im.shape) == 3: im = im[None]
在深度学习中，尤其是使用卷积神经网络（CNN）进行图像处理时，通常需要处理的是一批图像而非单一图像。这是因为现代GPU架构设计为并行处理大量数据，处理一批图像比一次处理一张图像更有效率。因此，即使输入的是单张图像，也需要将其形状转换为适用于模型的批次输入格式。
为什么扩展维度？
当你的图像数据im的形状是三维的（例如，形状为(height, width, channels)），这意味着你只有一个图像。然而，大多数深度学习框架和模型期望输入数据的形状至少是四维的，即(batch_size, height, width, channels)（对于TensorFlow）或(batch_size, channels, height, width)（对于PyTorch）。
在YOLOv5的情况下，模型预期的输入是四维的，即 (batch_size, channels, height, width)。因此，如果你的im是一个单独的图像，它的形状会是 (channels, height, width)，需要在前面增加一个维度来代表batch_size，这样形状就会变成 (1, channels, height, width)。这就是为什么使用im = im[None]来扩展维度，None在这里等价于np.newaxis，它会在数组中插入一个新的轴。
代码解释
if len(im.shape) == 3: im = im[None] # 扩展维度，使形状从 (channels, height, width) 变为 (1, channels, height, width)这条语句检查im的形状，如果它只有三个维度，那么就使用None来扩展其第一个维度，从而匹配模型期望的输入形状。扩展维度是为了将单张图像转换为批次格式，以便模型能够正确处理。这是深度学习实践中一个常见的预处理步骤，尤其在使用CNN进行图像处理时。
3. 对检测结果类别计数
# 如果有检测结果 if len(det): # 对每个类别进行计数 for c in det[:, 5].unique(): n = (det[:, 5] == c).sum() s += f"{n} {names[int(c)]}{'s' * (n > 1)}, "这段代码是在处理YOLOv5模型输出的检测结果时，用于统计每个类别出现的次数，并生成一个描述性的字符串，用于后续的日志记录或输出。让我们逐步分解这段代码：
检查是否有检测结果
if len(det):
det是一个二维张量，包含了所有检测到的对象的信息，每一行代表一个检测到的对象，列中包含位置信息（如边界框坐标）、类别ID和置信度得分。如果det非空（即有检测结果），则执行以下操作。
统计每个类别的出现次数
for c in det[:, 5].unique(): n = (det[:, 5] == c).sum()- det[:, 5]访问的是检测结果中每一行的第6个元素（索引为5，因为Python中索引从0开始），这通常对应于检测到对象的类别ID。
- unique()函数返回所有独特的类别ID，这样我们就可以迭代每一个类别。
- 对于每一个类别c，(det[:, 5] == c)会产生一个布尔掩码，表示哪些检测结果属于这个类别。
- sum()函数计算这个布尔掩码中True的个数，即该类别在检测结果中出现的次数，结果存储在变量n中。
构建描述性字符串
s += f"{n} {names[int(c)]}{'s' * (n > 1)}, "- f"{n} {names[int(c)]}"使用f-string（格式化字符串字面量）来构建一个描述，其中n是检测到的类别数量，names[int(c)]是从模型的类别名列表中获取该类别的名称。
- 's' * (n > 1)检查如果n大于1，就在类别名称后面加上一个s，这样可以正确地复数化名词。
- 最后，结果字符串后面加上一个逗号和空格，以便在下一个类别出现时可以继续拼接。
这段代码的结果是一个描述检测结果的字符串，其中包含了每个类别及其出现的次数。例如，如果有两个狗和一个猫被检测到，结果可能是 "2 dogs, 1 cat"。这个字符串通常用于在控制台或日志中提供一个直观的反馈，说明检测到了什么以及数量。
三、定义命令行参数
def parse_opt(): parser = argparse.ArgumentParser() # 创建ArgumentParser对象 parser.add_argument('--weights', nargs='+', type=str, default='yolov5s.pt', help='model path(s)') # 添加权重参数 parser.add_argument('--source', type=str, default='data/images', help='file/dir/URL/glob, 0 for webcam') # 添加输入源参数 parser.add_argument('--data', type=str, default='data/coco128.yaml', help='(optional) dataset.yaml path') # 添加数据集参数 parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='inference size (pixels)') # 添加图像大小参数 parser.add_argument('--conf-thres', type=float, default=0.25, help='confidence threshold') # 添加置信度阈值参数 parser.add_argument('--iou-thres', type=float, default=0.45, help='NMS IoU threshold') # 添加IoU阈值参数 parser.add_argument('--max-det', type=int, default=1000, help='maximum detections per image') # 添加最大检测数量参数 parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') # 添加设备参数 parser.add_argument('--view-img', action='store_true', help='show results') # 添加显示图像参数 parser.add_argument('--save-txt', action='store_true', help='save results to *.txt') # 添加保存文本参数 parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels') # 添加保存置信度参数 parser.add_argument('--save-crop', action='store_true', help='save cropped prediction boxes') # 添加保存裁剪框参数 parser.add_argument('--nosave', action='store_true', help='do not save images/videos') # 添加不保存图像/视频参数 parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --class 0, or --class 0 2 3') # 添加类别过滤参数 parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS') # 添加类别无关的NMS参数 parser.add_argument('--augment', action='store_true', help='augmented inference') # 添加增强推理参数 parser.add_argument('--visualize', action='store_true', help='visualize features') # 添加可视化特征参数 parser.add_argument('--update', action='store_true', help='update all models') # 添加更新模型参数 parser.add_argument('--project', default='runs/detect', help='save results to project/name') # 添加项目路径参数 parser.add_argument('--name', default='exp', help='save results to project/name') # 添加结果文件夹名称参数 parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment') # 添加允许现有项目名称参数 parser.add_argument('--line-thickness', default=3, type=int, help='bounding box thickness (pixels)') # 添加边界框厚度参数 parser.add_argument('--hide-labels', default=False, action='store_true', help='hide labels') # 添加隐藏标签参数 parser.add_argument('--hide-conf', default=False, action='store_true', help='hide confidences') # 添加隐藏置信度参数 parser.add_argument('--half', action='store_true', help='use FP16 half-precision inference') # 添加半精度推理参数 parser.add_argument('--dnn', action='store_true', help='use OpenCV DNN for ONNX inference') # 添加OpenCV DNN推理参数 parser.add_argument('--vid-stride', type=int, default=1, help='video frame-rate stride') # 添加视频帧率步幅参数 opt = parser.parse_args() # 解析命令行参数 return opt # 返回解析结果四、主函数
def main(opt): check_requirements(exclude=('tensorboard', 'thop')) # 检查运行所需的库 run(**vars(opt)) # 运行检测程序 if __name__ == "__main__": opt = parse_opt() # 解析命令行参数 main(opt) # 运行主程序
文章版权声明：除非注明，否则均为主机测评原创文章，转载或复制请以超链接形式并注明出处。
