1、前言

本章将介绍yolov5项目的推理函数，关于yolov5的下载和配置环境，参考上一篇文章：

YOLOv5 项目：环境配置-CSDN博客

pycharm 中打开的推理模块如红框中所示

pycharm将conda新建的虚拟环境导入，参考 ：pycharm 配置 conda 新环境

2、推理一下看看

大部分运行代码都是在pycharm里面运行，但其实更多的在命令行里直接运行反而方便

命令行参考代码如下：

python detect.py --source 0  # webcamimg.jpg  # imagevid.mp4  # videopath/  # directorypath/*.jpg  # glob'https://youtu.be/Zgi9g1ksQHc'  # YouTube'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream

path/*.jpg，这个意思就是预测path文件夹下以.jpg结尾的文件。

命令行直接运行python detect.py文件或者pycharm直接运行的话，会自动推理官方预设的图片

推理打印的日志，这里可以看到推理的文件放在runs\detect\exp里面

这里的runs文件夹可以删除，下次推理会自动生成新的序列

推理结果：

3、detect 代码参数讲解

参数如下，模型推理的超参数都在里面

需要注意的带有 action = 'store_true' ，理解为布尔类型的参数，默认就是关闭。如果打开的话，直接用python detect.py --save-txt 即可 

其他类型的要在后面跟实参，例如python detect.pt --conf-thres 0.5

3.1 weights 权重文件

yolov5网络推理的权重参数文件，需要注意的是这里默认的是yolov5.pt，所以首次推理不需要指定权重，网络会自动从网上下载权重

官方提供的权重如下所示，当然也可以指定自己训练好的

3.2 source 待推理的路径

这里默认的是data/images，里面放的就是上面推理的两张原图

这里可以是单张图片、整个目录、视频、乃至摄像头都可以

3.3 data 配置文件

配置文件，例如分类的个数啊、训练数据的路径等等

训练的时候要更改，要不然会训练coco的数据集！！！

3.4 imgsz、img、img-size 输入数据的尺寸

意思在推理的时候，将图片缩放成多少的size，然后喂到网络里

这里最后还会还原图像的大小

注意：这里的size要和训练的size一致，这样效果最好。

理论上size训练的时候越大效果越显著，但并不一定，并且会大大加深网络的计算量

3.5 conf-thres 置信度阈值

通俗来说，网络计算出的目标会有一个预测概率（这里就叫置信度）

置信度越低的时候，框会越多

conf-thres = 0.01	conf-thres = 0.25	conf-thres = 0.8

这里没有固定的值，都是动态调节的，不会设置的话就按照官方设定值

3.6 iou-thres IOU阈值

IOU 阈值，值越大，框越多

当同一个目标周围好多个框，会进行NMS非极大值抑制，两个框重叠到多大程度才会去除呢？

重叠的程度就按照iou来算，数值就是设定的数值

3.7 max-det 检测最大的数量

一张图片最大的检测数量

如果目标多余这个阈值，就会按照conf-thres 置信度阈值显示前面的max-det个

3.8 device 推理设备

推理的设备，不指定会自动检测

3.9 view-img 实时检测的时候是否展示

检测的时候是否展示

想要使用直接运行下面命令即可：

python detect.py --view-img

3.10 save-txt 保存边框、类别的信息

将检测出来的边界框和目标按照yolo格式保存在txt文本

在标注数据的时候，可以辅助标注

使用如下：

python detect.py --save-txt

3.11 save-csv 保存边界框信息以csv格式

同 save-txt，只不过以csv的形式保存

3.12 save-conf 保存txt中的置信度

配合save-txt使用，否则没有效果

这个参数会在txt文本里，加一个置信度

3.13 save-crop 保存检测的裁剪区域

这会把检测的边界框裁剪出来，并且按照类别保存在对应的文件夹里

裁剪出来的目标可以用于图像分类

3.14 nosave 不保存推理结果

 配合--view-img 使用

不会生成预测结果，但是还是会生成exp空的文件夹

3.15 classes 指定推理哪个类别

指定哪个类别，就只会预测哪个

python detect.py --classes 0 2 3

3.16 agnostic-nms 跨类别的NMS

如果一个物体被预测成两个类别，那么这个物体会被标注两个预测框。打开这个函数，就只会显示预测大置信度的边界框

3.17 augment 推理增强

增强推理的函数

3.18 visualize 可视化特征图

把网络特征图可视化出来，如下

3.19 update

用于模型训练最后得到去除优化器信息，去除不必要的文件

3.20 project 保存路径

就是保存路径，建议不更改

3.21 name 保存文件夹名字

就是保存文件夹名字，建议不更改

3.22 exist-ok 保存位置是否更替

每次推理都会生成新的exp文件夹，打开这个就不会了，直接删除前面的，在里面保存此次的推理结果

3.23 line-thickness 边界框的粗细

字面意思

3.24 hide-labels 隐藏标签

打开后，只有边界框，没有label和置信度

3.25 hide-conf 隐藏置信度

打开后，有边界框和label，没有置信度

326 half 半精度推理

类似于训练过程的混合精度推理

3.27 dnn 

是否使用opencv dnn进行ONNX推理

3.28 vid-stride 

推理视频的时候，推理步长

4、 常用参数介绍

参数太多，大部分一般用不到，这里介绍常见的关键参数

4.1 weights 权重参数

根据自己需要选择

4.2 source 检测的文件

• python detect.py --source data/images/bus.jpg 对指定路径的单个图片进行推理

• python detect.py --source screen 对当前屏幕进行检测

4.3 其他参数

有的参数也很重要，例如置信度阈值啊、iou阈值、coco的配置文件啊等等，但一般的检测任务都不需要改变，使用官方的预设值即可。

5. 其他

提供一个简单的推理代码

import torchmodel = torch.hub.load('./','yolov5s',source='local')img = './data/images/bus.jpg'ret = model(img)ret.show()