1.下载Yolov5的源码

• 克隆一下yolov5的代码

git clone https://github.com/huangfengge/yolov5

• 配置好项目所需的依赖包
  

2. 主函数讲解

opt 为执行可以传递的参数

if __name__ == '__main__':opt = parse_opt()main(opt)

• 具体的参数如图所示，比较重要的参数 weights权重文件、–source 数据集合 – data 数据集的配置
  
• weights 权重文件
  

– source 为需要推理的原图

• data参数 数据配置
  

• imgsz 参数是训练配置图片的大小

• device 设备信息，使用的Gpu还是cpu

• 这些参数都可以通过命令进行传递
  

cd /home/hfg/Soft/Idea_Project/deep/yolov5
python detect.py --weights yolov5s.pt --source data/images/bus.jpg 

• 将推理结果放入runs/detect/exp3进行了保存
  

3.文件标头的注释

• 明显的示例告诉了我们的使用方法
  

4. main函数的

• 第一个方法检测了当前的依赖包是否安装
• 进行了下一步的run函数

def main(opt):check_requirements(exclude=('tensorboard', 'thop'))  # 检测是否安装包run(**vars(opt))

• requirements安装
  - 里面定义了各个依赖包使用的版本

5. run函数

• run 函数一共分为7个部分

5.1 第一块参数部分

• 如图所示我们可以看到传递的参数部分
  

5.2第二块，传入数据预处理

• 传入的可以是字符串图片名称，并对图片进行格式校验，可以支持的图片类型（如下图），如果是url地址或者文件地址进行下载操作。
  
• 可以支持的数据类型
  
• 下载文件的代码
  

5.3 第三块创建文件夹

• 是否将推理过程写入一个txt文件
  
• 因save-txt是默认为false，增加上表示true，这样就生成了一个labels 文件

python detect.py --weights yolov5s.pt --source data/images/bus.jpg --save-txt

• 类型和坐标信息
  

5.4 第四块 加载模型的权重

• 选择当前训练设备的信息，gpu和cpu信息
  
• 模型框架 yolov5和pytorch

5.5 第五块 Dataloader 加载模块

• 一般加载的都是image
  
• 可以配置图片的大小，如果是多个图片使用数组
  

5.6 第六块 推理部分 Run inference

• 热身先给cpu和gpu一张图片进行热身处理
• 变量每个图片进行推理
• 确定检测的坐标
  
• 热身处理
• 具体的画框
• 输出预测的结果进行保存
  

5.7 输出结果 Print results