開(kāi)源項(xiàng)目｜基于YOLO-V5實(shí)現(xiàn)行人社交距離風(fēng)險(xiǎn)提示(附完整源碼)

由于YOLO V5的作者現(xiàn)在并沒(méi)有發(fā)表論文，因此只能從代碼的角度理解它的工作。YOLO V5的網(wǎng)絡(luò)結(jié)構(gòu)圖如下：

1、與YOLO V4的區(qū)別

Yolov4在Yolov3的基礎(chǔ)上進(jìn)行了很多的創(chuàng)新。比如輸入端采用mosaic數(shù)據(jù)增強(qiáng)，Backbone上采用了CSPDarknet53、Mish激活函數(shù)、Dropblock等方式，Neck中采用了SPP、FPN+PAN的結(jié)構(gòu)，輸出端則采用CIOU_Loss、DIOU_nms操作。因此Yolov4對(duì)Yolov3的各個(gè)部分都進(jìn)行了很多的整合創(chuàng)新。這里給出YOLO V4的網(wǎng)絡(luò)結(jié)構(gòu)圖：Yolov5的結(jié)構(gòu)其實(shí)和Yolov4的結(jié)構(gòu)還是有一定的相似之處的，但也有一些不同，這里還是按照從整體到細(xì)節(jié)的方式，對(duì)每個(gè)板塊進(jìn)行講解。這里給出YOLO V4的網(wǎng)絡(luò)結(jié)構(gòu)圖：

通過(guò)Yolov5的網(wǎng)絡(luò)結(jié)構(gòu)圖可以看到，依舊是把模型分為4個(gè)部分，分別是：輸入端、Backbone、Neck、Prediction。

1.1、輸入端的區(qū)別

1 Mosaic數(shù)據(jù)增強(qiáng)

Mosaic是參考CutMix數(shù)據(jù)增強(qiáng)的方式，但CutMix只使用了兩張圖片進(jìn)行拼接，而Mosaic數(shù)據(jù)增強(qiáng)則采用了4張圖片，隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排布的方式進(jìn)行拼接。

主要有幾個(gè)優(yōu)點(diǎn)：

• 1、豐富數(shù)據(jù)集：隨機(jī)使用4張圖片，隨機(jī)縮放，再隨機(jī)分布進(jìn)行拼接，大大豐富了檢測(cè)數(shù)據(jù)集，特別是隨機(jī)縮放增加了很多小目標(biāo)，讓網(wǎng)絡(luò)的魯棒性更好。
• 2、減少GPU：可能會(huì)有人說(shuō)，隨機(jī)縮放，普通的數(shù)據(jù)增強(qiáng)也可以做，但作者考慮到很多人可能只有一個(gè)GPU，因此Mosaic增強(qiáng)訓(xùn)練時(shí)，可以直接計(jì)算4張圖片的數(shù)據(jù)，使得Mini-batch大小并不需要很大，一個(gè)GPU就可以達(dá)到比較好的效果。

2 自適應(yīng)錨框計(jì)算

在Yolov3、Yolov4中，訓(xùn)練不同的數(shù)據(jù)集時(shí)，計(jì)算初始錨框的值是通過(guò)單獨(dú)的程序運(yùn)行的。但Yolov5中將此功能嵌入到代碼中，每次訓(xùn)練時(shí)，自適應(yīng)的計(jì)算不同訓(xùn)練集中的最佳錨框值。比如Yolov5在Coco數(shù)據(jù)集上初始設(shè)定的錨框：

3 自適應(yīng)圖片縮放

在常用的目標(biāo)檢測(cè)算法中，不同的圖片長(zhǎng)寬都不相同，因此常用的方式是將原始圖片統(tǒng)一縮放到一個(gè)標(biāo)準(zhǔn)尺寸，再送入檢測(cè)網(wǎng)絡(luò)中。比如Yolo算法中常用416×416，608×608等尺寸，比如對(duì)下面800×600的圖像進(jìn)行變換。

但Yolov5代碼中對(duì)此進(jìn)行了改進(jìn)，也是Yolov5推理速度能夠很快的一個(gè)不錯(cuò)的trick。作者認(rèn)為，在項(xiàng)目實(shí)際使用時(shí)，很多圖片的長(zhǎng)寬比不同。因此縮放填充后，兩端的黑邊大小都不同，而如果填充的比較多，則存在信息冗余，影響推理速度。具體操作的步驟：

1 計(jì)算縮放比例原始縮放尺寸是416×416，都除以原始圖像的尺寸后，可以得到0.52，和0.69兩個(gè)縮放系數(shù)，選擇小的縮放系數(shù)0.52。

2 計(jì)算縮放后的尺寸原始圖片的長(zhǎng)寬都乘以最小的縮放系數(shù)0.52，寬變成了416，而高變成了312。
3 計(jì)算黑邊填充數(shù)值將416-312=104，得到原本需要填充的高度。再采用numpy中np.mod取余數(shù)的方式，得到40個(gè)像素，再除以2，即得到圖片高度兩端需要填充的數(shù)值。

1.2、Backbone的區(qū)別

1 Focus結(jié)構(gòu)

Focus結(jié)構(gòu)，在Yolov3&Yolov4中并沒(méi)有這個(gè)結(jié)構(gòu)，其中比較關(guān)鍵是切片操作。比如右圖的切片示意圖，4×4×3的圖像切片后變成3×3×12的特征圖。以Yolov5s的結(jié)構(gòu)為例，原始608×608×3的圖像輸入Focus結(jié)構(gòu)，采用切片操作，先變成304×304×12的特征圖，再經(jīng)過(guò)一次32個(gè)卷積核的卷積操作，最終變成304×304×32的特征圖。

需要注意的是：Yolov5s的Focus結(jié)構(gòu)最后使用了32個(gè)卷積核，而其他三種結(jié)構(gòu)，使用的數(shù)量有所增加，先注意下，后面會(huì)講解到四種結(jié)構(gòu)的不同點(diǎn)。

class?Focus(nn.Module):
????#?Focus?wh?information?into?c-space
????def?__init__(self,?c1,?c2,?k=1):
????????super(Focus,?self).__init__()
????????self.conv?=?Conv(c1?*?4,?c2,?k,?1)

????def?forward(self,?x):??#?x(b,c,w,h)?->?y(b,4c,w/2,h/2)
????????return?self.conv(torch.cat([x[...,?::2,?::2],?x[...,?1::2,?::2],?x[...,?::2,?1::2],?x[...,?1::2,?1::2]],?1))

2 CSP結(jié)構(gòu)

Yolov5與Yolov4不同點(diǎn)在于，Yolov4中只有主干網(wǎng)絡(luò)使用了CSP結(jié)構(gòu)，而Yolov5中設(shè)計(jì)了兩種CSP結(jié)構(gòu)，以Yolov5s網(wǎng)絡(luò)為例，以CSP1_X結(jié)構(gòu)應(yīng)用于Backbone主干網(wǎng)絡(luò)，另一種CSP2_X結(jié)構(gòu)則應(yīng)用于Neck中。

class?Conv(nn.Module):
????#?Standard?convolution
????def?__init__(self,?c1,?c2,?k=1,?s=1,?g=1,?act=True):??#?ch_in,?ch_out,?kernel,?stride,?groups
????????super(Conv,?self).__init__()
????????self.conv?=?nn.Conv2d(c1,?c2,?k,?s,?k?//?2,?groups=g,?bias=False)
????????self.bn?=?nn.BatchNorm2d(c2)
????????self.act?=?nn.LeakyReLU(0.1,?inplace=True)?if?act?else?nn.Identity()

????def?forward(self,?x):
????????return?self.act(self.bn(self.conv(x)))

????def?fuseforward(self,?x):
????????return?self.act(self.conv(x))


class?Bottleneck(nn.Module):
????#?Standard?bottleneck
????def?__init__(self,?c1,?c2,?shortcut=True,?g=1,?e=0.5):??#?ch_in,?ch_out,?shortcut,?groups,?expansion
????????super(Bottleneck,?self).__init__()
????????c_?=?int(c2?*?e)??#?hidden?channels
????????self.cv1?=?Conv(c1,?c_,?1,?1)
????????self.cv2?=?Conv(c_,?c2,?3,?1,?g=g)
????????self.add?=?shortcut?and?c1?==?c2

????def?forward(self,?x):
????????return?x?+?self.cv2(self.cv1(x))?if?self.add?else?self.cv2(self.cv1(x))


class?BottleneckCSP(nn.Module):
????#?CSP?Bottleneck?https://github.com/WongKinYiu/CrossStagePartialNetworks
????def?__init__(self,?c1,?c2,?n=1,?shortcut=True,?g=1,?e=0.5):??#?ch_in,?ch_out,?number,?shortcut,?groups,?expansion
????????super(BottleneckCSP,?self).__init__()
????????c_?=?int(c2?*?e)??#?hidden?channels
????????self.cv1?=?Conv(c1,?c_,?1,?1)
????????self.cv2?=?nn.Conv2d(c1,?c_,?1,?1,?bias=False)
????????self.cv3?=?nn.Conv2d(c_,?c_,?1,?1,?bias=False)
????????self.cv4?=?Conv(c2,?c2,?1,?1)
????????self.bn?=?nn.BatchNorm2d(2?*?c_)??#?applied?to?cat(cv2,?cv3)
????????self.act?=?nn.LeakyReLU(0.1,?inplace=True)
????????self.m?=?nn.Sequential(*[Bottleneck(c_,?c_,?shortcut,?g,?e=1.0)?for?_?in?range(n)])

????def?forward(self,?x):
????????y1?=?self.cv3(self.m(self.cv1(x)))
????????y2?=?self.cv2(x)
????????return?self.cv4(self.act(self.bn(torch.cat((y1,?y2),?dim=1))))

1.3、Neck的區(qū)別

Yolov5現(xiàn)在的Neck和Yolov4中一樣，都采用FPN+PAN的結(jié)構(gòu)，但在Yolov5剛出來(lái)時(shí)，只使用了FPN結(jié)構(gòu)，后面才增加了PAN結(jié)構(gòu)，此外網(wǎng)絡(luò)中其他部分也進(jìn)行了調(diào)整。Yolov5和Yolov4的不同點(diǎn)在于，Yolov4的Neck中，采用的都是普通的卷積操作。而Yolov5的Neck結(jié)構(gòu)中，采用借鑒CSPNet設(shè)計(jì)的CSP2結(jié)構(gòu)，加強(qiáng)網(wǎng)絡(luò)特征融合的能力。

1.4、輸出端的區(qū)別

1 Bounding box損失函數(shù)

而Yolov4中采用CIOU_Loss作為目標(biāo)Bounding box的損失。而Yolov5中采用其中的GIOU_Loss做Bounding box的損失函數(shù)。

def?compute_loss(p,?targets,?model):??#?predictions,?targets,?model
????ft?=?torch.cuda.FloatTensor?if?p[0].is_cuda?else?torch.Tensor
????lcls,?lbox,?lobj?=?ft([0]),?ft([0]),?ft([0])
????tcls,?tbox,?indices,?anchors?=?build_targets(p,?targets,?model)??#?targets
????h?=?model.hyp??#?hyperparameters
????red?=?'mean'??#?Loss?reduction?(sum?or?mean)

????#?Define?criteria
????BCEcls?=?nn.BCEWithLogitsLoss(pos_weight=ft([h['cls_pw']]),?reduction=red)
????BCEobj?=?nn.BCEWithLogitsLoss(pos_weight=ft([h['obj_pw']]),?reduction=red)

????#?class?label?smoothing?https://arxiv.org/pdf/1902.04103.pdf?eqn?3
????cp,?cn?=?smooth_BCE(eps=0.0)

????#?focal?loss
????g?=?h['fl_gamma']??#?focal?loss?gamma
????if?g?>?0:
????????BCEcls,?BCEobj?=?FocalLoss(BCEcls,?g),?FocalLoss(BCEobj,?g)

????#?per?output
????nt?=?0??#?targets
????for?i,?pi?in?enumerate(p):??#?layer?index,?layer?predictions
????????b,?a,?gj,?gi?=?indices[i]??#?image,?anchor,?gridy,?gridx
????????tobj?=?torch.zeros_like(pi[...,?0])??#?target?obj

????????nb?=?b.shape[0]??#?number?of?targets
????????if?nb:
????????????nt?+=?nb??#?cumulative?targets
????????????ps?=?pi[b,?a,?gj,?gi]??#?prediction?subset?corresponding?to?targets

????????????#?GIoU
????????????pxy?=?ps[:,?:2].sigmoid()?*?2.?-?0.5
????????????pwh?=?(ps[:,?2:4].sigmoid()?*?2)?**?2?*?anchors[i]
????????????pbox?=?torch.cat((pxy,?pwh),?1)??#?predicted?box
????????????giou?=?bbox_iou(pbox.t(),?tbox[i],?x1y1x2y2=False,?GIoU=True)??#?giou(prediction,?target)
????????????lbox?+=?(1.0?-?giou).sum()?if?red?==?'sum'?else?(1.0?-?giou).mean()??#?giou?loss

????????????#?Obj
????????????tobj[b,?a,?gj,?gi]?=?(1.0?-?model.gr)?+?model.gr?*?giou.detach().clamp(0).type(tobj.dtype)??#?giou?ratio

????????????#?Class
????????????if?model.nc?>?1:??#?cls?loss?(only?if?multiple?classes)
????????????????t?=?torch.full_like(ps[:,?5:],?cn)??#?targets
????????????????t[range(nb),?tcls[i]]?=?cp
????????????????lcls?+=?BCEcls(ps[:,?5:],?t)??#?BCE

????????????#?Append?targets?to?text?file
????????????#?with?open('targets.txt',?'a')?as?file:
????????????#?????[file.write('%11.5g?'?*?4?%?tuple(x)?+?'\n')?for?x?in?torch.cat((txy[i],?twh[i]),?1)]

????????lobj?+=?BCEobj(pi[...,?4],?tobj)??#?obj?loss

????lbox?*=?h['giou']
????lobj?*=?h['obj']
????lcls?*=?h['cls']
????bs?=?tobj.shape[0]??#?batch?size
????if?red?==?'sum':
????????g?=?3.0??#?loss?gain
????????lobj?*=?g?/?bs
????????if?nt:
????????????lcls?*=?g?/?nt?/?model.nc
????????????lbox?*=?g?/?nt

????loss?=?lbox?+?lobj?+?lcls
????return?loss?*?bs,?torch.cat((lbox,?lobj,?lcls,?loss)).detach()

2 NMS非極大值抑制

Yolov4在DIOU_Loss的基礎(chǔ)上采用DIOU_NMS的方式，而Yolov5中采用加權(quán)NMS的方式。可以看出，采用DIOU_NMS，下方中間箭頭的黃色部分，原本被遮擋的摩托車也可以檢出。在同樣的參數(shù)情況下，將NMS中IOU修改成DIOU_NMS。對(duì)于一些遮擋重疊的目標(biāo)，確實(shí)會(huì)有一些改進(jìn)。

2、YOLOv5社交距離項(xiàng)目

yolov5檢測(cè)要檢測(cè)的視頻流中的所有人，然后再計(jì)算所有檢測(cè)到的人之間的相互“距離”，和現(xiàn)實(shí)生活中用“m”這樣的單位衡量距離不一樣的是，在計(jì)算機(jī)中，簡(jiǎn)單的方法是用檢測(cè)到的兩個(gè)人的質(zhì)心，也就是檢測(cè)到的目標(biāo)框的中心之間相隔的像素值作為計(jì)算機(jī)中的“距離”來(lái)衡量視頻中的人之間的距離是否超過(guò)安全距離。構(gòu)建步驟：

• 使用目標(biāo)檢測(cè)算法檢測(cè)視頻流中的所有人，得到位置信息和質(zhì)心位置；
• 計(jì)算所有檢測(cè)到的人質(zhì)心之間的相互距離；
• 設(shè)置安全距離，計(jì)算每個(gè)人之間的距離對(duì)，檢測(cè)兩個(gè)人之間的距離是否小于N個(gè)像素，小于則處于安全距離，反之則不處于。

項(xiàng)目架構(gòu)：

detect.py代碼注釋如下：

import?argparse

from?utils.datasets?import?*
from?utils.utils?import?*


def?detect(save_img=False):
????out,?source,?weights,?view_img,?save_txt,?imgsz?=?\
????????opt.output,?opt.source,?opt.weights,?opt.view_img,?opt.save_txt,?opt.img_size
????webcam?=?source?==?'0'?or?source.startswith('rtsp')?or?source.startswith('http')?or?source.endswith('.txt')

????#?Initialize
????device?=?torch_utils.select_device(opt.device)
????if?os.path.exists(out):
????????shutil.rmtree(out)??#?delete?output?folder
????os.makedirs(out)??#?make?new?output?folder
????half?=?device.type?!=?'cpu'??#?half?precision?only?supported?on?CUDA

????#?下載模型
????google_utils.attempt_download(weights)
????#?加載權(quán)重
????model?=?torch.load(weights,?map_location=device)['model'].float()
????#?torch.save(torch.load(weights,?map_location=device),?weights)??#?update?model?if?SourceChangeWarning
????#?model.fuse()
????#?設(shè)置模型為推理模式
????model.to(device).eval()
????if?half:
????????model.half()??#?to?FP16

????#?Second-stage?classifier
????classify?=?False
????if?classify:
????????modelc?=?torch_utils.load_classifier(name='resnet101',?n=2)??#?initialize
????????modelc.load_state_dict(torch.load('weights/resnet101.pt',?map_location=device)['model'])??#?load?weights
????????modelc.to(device).eval()

????#?設(shè)置?Dataloader
????vid_path,?vid_writer?=?None,?None
????if?webcam:
????????view_img?=?True
????????torch.backends.cudnn.benchmark?=?True??#?set?True?to?speed?up?constant?image?size?inference
????????dataset?=?LoadStreams(source,?img_size=imgsz)
????else:
????????save_img?=?True
????????dataset?=?LoadImages(source,?img_size=imgsz)

????#?獲取檢測(cè)類別的標(biāo)簽名稱
????names?=?model.names?if?hasattr(model,?'names')?else?model.modules.names
????#?定義顏色
????colors?=?[[random.randint(0,?255)?for?_?in?range(3)]?for?_?in?range(len(names))]

????#?開(kāi)始推理
????t0?=?time.time()
????#?初始化一張全為0的圖片
????img?=?torch.zeros((1,?3,?imgsz,?imgsz),?device=device)
????_?=?model(img.half()?if?half?else?img)?if?device.type?!=?'cpu'?else?None
????for?path,?img,?im0s,?vid_cap?in?dataset:
????????img?=?torch.from_numpy(img).to(device)
????????img?=?img.half()?if?half?else?img.float()??#?uint8?to?fp16/32
????????img?/=?255.0??#?0?-?255?to?0.0?-?1.0
????????if?img.ndimension()?==?3:
????????????img?=?img.unsqueeze(0)

????????#?預(yù)測(cè)結(jié)果
????????t1?=?torch_utils.time_synchronized()
????????pred?=?model(img,?augment=opt.augment)[0]

????????#?使用NMS
????????pred?=?non_max_suppression(pred,?opt.conf_thres,?opt.iou_thres,?fast=True,?classes=opt.classes,?agnostic=opt.agnostic_nms)
????????t2?=?torch_utils.time_synchronized()

????????#?進(jìn)行分類
????????if?classify:
????????????pred?=?apply_classifier(pred,?modelc,?img,?im0s)

????????people_coords?=?[]

????????#?處理預(yù)測(cè)得到的檢測(cè)目標(biāo)
????????for?i,?det?in?enumerate(pred):
????????????if?webcam:
????????????????p,?s,?im0?=?path[i],?'%g:?'?%?i,?im0s[i].copy()
????????????else:
????????????????p,?s,?im0?=?path,?'',?im0s

????????????save_path?=?str(Path(out)?/?Path(p).name)
????????????s?+=?'%gx%g?'?%?img.shape[2:]??#?print?string
????????????gn?=?torch.tensor(im0.shape)[[1,?0,?1,?0]]??#??normalization?gain?whwh
????????????if?det?is?not?None?and?len(det):
????????????????#?把boxes?resize到im0的size
????????????????det[:,?:4]?=?scale_coords(img.shape[2:],?det[:,?:4],?im0.shape).round()

????????????????#?打印結(jié)果
????????????????for?c?in?det[:,?-1].unique():
????????????????????n?=?(det[:,?-1]?==?c).sum()??#?detections?per?class
????????????????????s?+=?'%g?%ss,?'?%?(n,?names[int(c)])??#?add?to?string

????????????????#?書寫結(jié)果
????????????????for?*xyxy,?conf,?cls?in?det:
????????????????????if?save_txt:
????????????????????????#?xyxy2xywh?==>?把預(yù)測(cè)得到的坐標(biāo)結(jié)果[x1,?y1,?x2,?y2]轉(zhuǎn)換為[x,?y,?w,?h]其中?xy1=top-left,?xy2=bottom-right
????????????????????????xywh?=?(xyxy2xywh(torch.tensor(xyxy).view(1,?4))?/?gn).view(-1).tolist()??#?normalized?xywh
????????????????????????with?open(save_path[:save_path.rfind('.')]?+?'.txt',?'a')?as?file:
????????????????????????????file.write(('%g?'?*?5?+?'\n')?%?(cls,?*xywh))??#?label?format

????????????????????if?save_img?or?view_img:??#?Add?bbox?to?image
????????????????????????label?=?'%s?%.2f'?%?(names[int(cls)],?conf)
????????????????????????if?label?is?not?None:
????????????????????????????if?(label.split())[0]?==?'person':
????????????????????????????????#?print(xyxy)
????????????????????????????????people_coords.append(xyxy)
????????????????????????????????#?plot_one_box(xyxy,?im0,?line_thickness=3)
????????????????????????????????plot_dots_on_people(xyxy,?im0)

????????????#?通過(guò)people_coords繪制people之間的連接線
????????????#?這里主要分為"Low?Risk?"和"High?Risk"
????????????distancing(people_coords,?im0,?dist_thres_lim=(200,?250))

????????????#?Print?time?(inference?+?NMS)
????????????print('%sDone.?(%.3fs)'?%?(s,?t2?-?t1))

????????????#?Stream?results
????????????if?view_img:
????????????????cv2.imshow(p,?im0)
????????????????if?cv2.waitKey(1)?==?ord('q'):??#?q?to?quit
????????????????????raise?StopIteration

????????????#?Save?results?(image?with?detections)
????????????if?save_img:
????????????????if?dataset.mode?==?'images':
????????????????????cv2.imwrite(save_path,?im0)
????????????????else:
????????????????????if?vid_path?!=?save_path:??#?new?video
????????????????????????vid_path?=?save_path
????????????????????????if?isinstance(vid_writer,?cv2.VideoWriter):
????????????????????????????vid_writer.release()??#?release?previous?video?writer

????????????????????????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))
????????????????????????vid_writer?=?cv2.VideoWriter(save_path,?cv2.VideoWriter_fourcc(*opt.fourcc),?fps,?(w,?h))
????????????????????vid_writer.write(im0)

????if?save_txt?or?save_img:
????????print('Results?saved?to?%s'?%?os.getcwd()?+?os.sep?+?out)
????????if?platform?==?'darwin':??#?MacOS
????????????os.system('open?'?+?save_path)

????print('Done.?(%.3fs)'?%?(time.time()?-?t0))


if?__name__?==?'__main__':
????parser?=?argparse.ArgumentParser()
????parser.add_argument('--weights',?type=str,?default='./weights/yolov5s.pt',?help='model.pt?path')
????parser.add_argument('--source',?type=str,?default='./inference/videos/',?help='source')??#?file/folder,?0?for?webcam
????parser.add_argument('--output',?type=str,?default='./inference/output',?help='output?folder')??#?output?folder
????parser.add_argument('--img-size',?type=int,?default=640,?help='inference?size?(pixels)')
????parser.add_argument('--conf-thres',?type=float,?default=0.4,?help='object?confidence?threshold')
????parser.add_argument('--iou-thres',?type=float,?default=0.5,?help='IOU?threshold?for?NMS')
????parser.add_argument('--fourcc',?type=str,?default='mp4v',?help='output?video?codec?(verify?ffmpeg?support)')
????parser.add_argument('--device',?default='0',?help='cuda?device,?i.e.?0?or?0,1,2,3?or?cpu')
????parser.add_argument('--view-img',?action='store_true',?help='display?results')
????parser.add_argument('--save-txt',?action='store_true',?help='save?results?to?*.txt')
????parser.add_argument('--classes',?nargs='+',?type=int,?help='filter?by?class')
????parser.add_argument('--agnostic-nms',?action='store_true',?help='class-agnostic?NMS')
????parser.add_argument('--augment',?action='store_true',?help='augmented?inference')
????opt?=?parser.parse_args()
????opt.img_size?=?check_img_size(opt.img_size)
????print(opt)

????with?torch.no_grad():
????????detect()

參考

[1].https://zhuanlan.zhihu.com/p/172121380
[2].https://blog.csdn.net/weixin_45192980/article/details/108354169
[3].https://github.com/ultralytics/yoloV5
[4].https://github.com/Akbonline/Social-Distancing-using-YOLOv5

在極市平臺(tái)后臺(tái)回復(fù)“YOLOv5”即可下載文章源碼。