作者：曹永忠/郭耀文
在上篇文章《【學習AIGO課程】第一步：Docker環境建置》中介紹了學習AIGO線上課程的Docker環境建置基本動作，本文接著來介紹這門課程：Yolo v5的應用學習課程。
課程官網
首先，我們先使用瀏覽器，在網址列輸入：https://aigo.org.tw/zh-tw/onlinecourse/482/content/197，，如下圖所示，我們進入AIGO計畫中Yolo v4與Yolo v5學習課程的主頁：
YOLOv4與YOLOv5應用的主頁
如下圖所示，我們先下載YOLO v5_偵測及訓練說明檔：
下載YOLO v5_偵測及訓練說明檔
下載安裝Yolo v5
如下圖所示，我們先輸入『sudo apt install make git g++』，安裝git的安裝：
安裝git
如下圖所示，我們先輸入『git clone https://github.com/ultralytics/yolov5』，下載Yolo v5的程式：
下載Yolo v5的程式
如下圖所示，我們完成下載Yolo v5的程式：
完成下載Yolo v5的程式
複製coco128資料集
接下來我們必須複製coco128資料集，方面進行訓練時，快速得到結果。
如下圖所示，我們先輸入『python3 -c “from yolov5.utils.google_utils import gdrive_download; gdrive_download(‘1n_oKgR81BJtqk75b00eAjdv03qVCQn2f’,’coco128.zip’)”』，複製coco128資料集：
複製coco128資料集
如下圖所示，我們完成複製coco128資料集：
完成複製coco128資料集
安裝需要的python套件
由於Yolo v5需要一些python的環境與需求套件，接下來我們必須安裝需要的python套件，方便進行訓練時，可以得到正確結果。
如下圖所示，我們先輸入『cd yolov5』，安裝git的安裝：
進入Yolo v5目錄
如下圖所示，我們已進入Yolo v5目錄：
已進入Yolo v5目錄
如下圖所示，我們先輸入『pip install -U -r requirements.txt』，進行安裝需要的python套件：
安裝需要的python套件
如下圖所示，我們已經安裝好需要的python套件：
安裝好需要的python套件
進行偵測
我們已完成環境設定後，我們可以先進行偵測，來試看看結果如何，是否可以正常運作。
如下圖所示，我們先輸入『python detect.py』，進行第一步進行偵測：
第一步進行偵測
如下圖所示，我們可以在目錄『yolo5/data/images/』下，看到系統預設的兩張圖案：
系統預設的兩張圖案
跑完預測程式之後，如下圖所示，我們可以在目錄『yolo5/runs/detect/exp□□□』下，看到跑完預測程式之後的兩張圖案(請讀者注意，exp□□□之□□□，因為每跑一次，□□□的內容會增加，請讀者自行注意資料夾的日期與時間，來確定結果為哪一個)：
跑完預測程式之後的兩張圖案
使用Yolo v5進行自選照片偵測
由於Yolo v5已經將整個套件模組化，所以我們可以使用自己的照片，進行預測。
首先，筆者先準備圖片資料，所以筆者使用瀏覽器，進入Google圖片搜尋：
https://www.google.com.tw/imghp?hl=zh-TW&tab=ri&ogbl
隨意選擇了三類的圖片，如果讀者想要這些圖片，請到筆者Github自行下載這些圖片，網址：
https://github.com/brucetsao/AI_Course/tree/main/Yolov5/detection_data/20201120Data
我們可以先看到這些圖片如下圖所示：
筆者準備圖片資料
如上圖所示，我們必須將這些要預測的圖片，如下圖所示，放在目錄『yolo5/data/images/』下，方可以直接使用預設程式：
置於偵測目錄下的圖片資料
如下圖所示，我們先輸入『python detect.py』，進行自選圖庫進行偵測：
自選圖庫進行偵測
如下圖所示，我們完成自選圖庫進行偵測：
完成自選圖片行偵測
如下表所示，我們可以看到自選圖庫進行偵測時，每一張圖片偵測找到的結果與花費時間：
| Namespace(agnostic_nms=False, augment=False, classes=None, conf_thres=0.25, device=”, exist_ok=False, img_size=640, iou_thres=0.45, name=’exp’, project=’runs/detect’, save_conf=False, save_txt=False, source=’data/images’, update=False, view_img=False, weights=’yolov5s.pt’)
Using torch 1.7.0 CUDA:0 (GeForce GTX 1050, 4042MB)
Fusing layers… Model Summary: 232 layers, 7459581 parameters, 0 gradients image 1/20 /home/user/yolov5/data/images/0001.jpeg: 288×640 1 persons, 12 chairs, 2 potted plants, Done. (0.033s) image 2/20 /home/user/yolov5/data/images/0002.jpg: 448×640 8 persons, 1 bottles, 4 wine glasss, 1 cups, 1 bowls, 3 chairs, Done. (0.048s) image 3/20 /home/user/yolov5/data/images/0003.jpg: 384×640 8 persons, 1 bottles, 8 wine glasss, 2 cups, 2 chairs, 1 dining tables, 1 clocks, Done. (0.038s) image 4/20 /home/user/yolov5/data/images/1001.jpg: 384×640 13 persons, 2 handbags, 1 chairs, 3 tvs, Done. (0.038s) image 5/20 /home/user/yolov5/data/images/1002.jpg: 448×640 10 persons, 4 tvs, Done. (0.043s) image 6/20 /home/user/yolov5/data/images/1003.jpg: 416×640 1 persons, Done. (0.040s) image 7/20 /home/user/yolov5/data/images/1004.jpg: 512×640 9 persons, 2 ties, 4 teddy bears, Done. (0.044s) image 8/20 /home/user/yolov5/data/images/1005.jpg: 384×640 7 persons, 2 ties, 2 sports balls, 1 teddy bears, Done. (0.036s) image 9/20 /home/user/yolov5/data/images/2001.jpg: 480×640 1 persons, 40 cars, 3 buss, 9 trucks, Done. (0.045s) image 10/20 /home/user/yolov5/data/images/2002.jpg: 448×640 26 cars, 3 buss, 7 trucks, Done. (0.042s) image 11/20 /home/user/yolov5/data/images/2003.jpg: 384×640 4 cars, Done. (0.037s) image 12/20 /home/user/yolov5/data/images/2004.jpg: 448×640 1 cars, Done. (0.040s) image 13/20 /home/user/yolov5/data/images/2005.jpg: 480×640 26 cars, 3 buss, 4 trucks, Done. (0.044s) image 14/20 /home/user/yolov5/data/images/3001.jpg: 448×640 6 cows, Done. (0.042s) image 15/20 /home/user/yolov5/data/images/3002.jpg: 384×640 6 cows, Done. (0.037s) image 16/20 /home/user/yolov5/data/images/3003.jpeg: 256×640 14 cows, Done. (0.026s) image 17/20 /home/user/yolov5/data/images/3004.jpeg: 384×640 1 horses, 9 sheeps, Done. (0.036s) image 18/20 /home/user/yolov5/data/images/3004.jpg: 448×640 1 cars, Done. (0.041s) image 19/20 /home/user/yolov5/data/images/3005.jpg: 448×640 2 dogs, 2 cows, Done. (0.042s) image 20/20 /home/user/yolov5/data/images/3006.jpg: 640×640 1 birds, 1 cakes, Done. (0.055s) Results saved to runs/detect/exp Done. (1.299s) |
如下圖所示，我們可以看到下面為偵測的結果：
讀者也可以在筆者Github自行下載這些圖片，網址：
https://github.com/brucetsao/AI_Course/tree/main/Yolov5/detection_data/20201120Data_Results
自行圖庫預測完成圖
作者介紹
曹永忠 (Yung-Chung Tsao) 為國立中央大學資訊管理學系博士，目前在國立暨南國際大學電機工程學系兼任助理教授、國立高雄科技大學商務資訊應用系兼任助理教授，也是自由作家，專注於軟體工程、軟體開發與設計、物件導向程式設計、物聯網系統開發、Arduino開發、嵌入式系統開發。長期投入資訊系統設計與開發、企業應用系統開發、軟體工程、物聯網系統開發、軟硬體技術整合等領域，並持續發表作品及相關專業著作。
郭耀文 (Yaw-Wen Kuo) 為國立交通大學電信工程研究所博士，目前是國立暨南國際大學電機工程學系教授，曾任工研院電通所工程師、合勤科技局端設備部門資深工程師，主要研究領域是無線網路通訊協定設計、物聯網系統開發、嵌入式系統開發。
（責任編輯：林亮潔）
- 【大氣監控站台開發案例（下）】環境監控即時監控看板 - 2021/11/25
- 【大氣監控站台開發案例（中）】環境監控雲端平台系統介紹 - 2021/11/02
- 【大氣監控站台開發案例（上）】 大氣監控站建置實例介紹 - 2021/10/18
訂閱MakerPRO知識充電報
與40000位開發者一同掌握科技創新的技術資訊！
