點選上方 藍字 關註我們
微信公眾號： OpenCV學堂
關註獲取更多電腦視覺與深度學習知識
安裝與測試
最近YOLOv5最新更新升級到v7.x版本，工程簡便性有提升了一大步，本教程教你基於YOLOv5框架如何訓練一個自訂物件檢測模型，首先需要下載對應版本：
https://github.com/ultralytics/yolov5/releases/tag/v7.0
滑鼠滾到最下面下載源碼zip包：
https://github.com/ultralytics/yolov5/archive/refs/tags/v7.0.zip
下載完成之後解壓縮到：
D:\python\yolov5-7.0# 安裝依賴庫pipinstall-rrequirements.txt
等待一段時間，完成全部安裝之後，執行測試：
pythondetect.py--weightsyolov5s.pt--sourcedata\images\zidane.jpg
執行結果如下：
數據集準備與制作
這個是我自己基於過去幾年收集到DataMatrix數據，然後完成了數據挑選，清洗，然後標註 得到一個數據集，整個模型標註與數據集制作都是基於OpenMV工具軟體完成。
三：模型訓練
制作好數據集之後，模型訓練就成為一件很簡單事情，一條命令列搞定。執行下面的命令列：
python train.py --data ./dm_training/dm_dataset.yaml --epochs 50 --weights yolov5s.pt --batch-size 4
訓練過程與效果如下
PR曲線說明訓練效果還錯！
不同框架與硬體平台推理比較
訓練得到的模型，基於OpenVINO完成了INT8量化，最終模型大約只有6MB左右，可以支持多個場景下的DataMatrix碼 即時檢測，配合OpenCV 實驗大師C++ SDK可以實作場景場景下的工業碼的解碼辨識。 效果已經遠遠超過開源各種DM解碼庫的效果，基本達到了商業水準。
番外篇：C++推理與比較
使用C++部署時候，前後處理都改成了基於OpenCV 完成，使用CPU完成前後處理，OpenVINO+CPU執行速度截圖如下：
推薦閱讀
掃碼檢視深度學習系統化學習路線圖
