Yolov5s Smoke

🚀 YOLOv5煙霧目標檢測模型

本項目基於YOLOv5實現煙霧目標檢測，在特定數據集上取得了高精度的檢測效果，可用於各類需要煙霧檢測的視覺場景。

🚀 快速開始

安裝依賴

安裝 yolov5：

pip install -U yolov5

加載模型並進行預測

import yolov5

# 加載模型
model = yolov5.load('keremberke/yolov5s-smoke')
  
# 設置模型參數
model.conf = 0.25  # NMS置信度閾值
model.iou = 0.45  # NMS IoU閾值
model.agnostic = False  # NMS類別無關
model.multi_label = False  # NMS每個框多個標籤
model.max_det = 1000  # 每張圖像的最大檢測數

# 設置圖像
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 進行推理
results = model(img, size=640)

# 使用測試時增強進行推理
results = model(img, augment=True)

# 解析結果
predictions = results.pred[0]
boxes = predictions[:, :4] # x1, y1, x2, y2
scores = predictions[:, 4]
categories = predictions[:, 5]

# 在圖像上顯示檢測邊界框
results.show()

# 將結果保存到 "results/" 文件夾
results.save(save_dir='results/')

在自定義數據集上微調模型

yolov5 train --data data.yaml --img 640 --batch 16 --weights keremberke/yolov5s-smoke --epochs 10

💻 使用示例

基礎用法

import yolov5

# 加載模型
model = yolov5.load('keremberke/yolov5s-smoke')
  
# 設置圖像
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 進行推理
results = model(img, size=640)

# 在圖像上顯示檢測邊界框
results.show()

高級用法

import yolov5

# 加載模型
model = yolov5.load('keremberke/yolov5s-smoke')
  
# 設置模型參數
model.conf = 0.25  # NMS置信度閾值
model.iou = 0.45  # NMS IoU閾值
model.agnostic = False  # NMS類別無關
model.multi_label = False  # NMS每個框多個標籤
model.max_det = 1000  # 每張圖像的最大檢測數

# 設置圖像
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 使用測試時增強進行推理
results = model(img, augment=True)

# 解析結果
predictions = results.pred[0]
boxes = predictions[:, :4] # x1, y1, x2, y2
scores = predictions[:, 4]
categories = predictions[:, 5]

# 將結果保存到 "results/" 文件夾
results.save(save_dir='results/')

📄 模型信息

📊 評估指標

在 keremberke/smoke-object-detection 數據集的驗證集上，模型的 mAP@0.5 指標為 0.9945003736307544。