mask-detection-yolov5

---

YOLOV5

Guide d'utilisation Windows et Linux

$ git clone https://github.com/youssef-t/mask-detection-yolov5.git

$ cd yolov5-master

$ pip install -r requirements.txt

Entrainenement

On définit custom_data.yaml qui contient la configuration du réseau.

Poids initialisés arbitrairement (yolov5_n):

$ python train.py --img 416 --batch 16 --epochs 65 --data custom_data.yaml --weights '' --cfg yolov5n.yaml --name yolov5n_results  --cache

Poids initialisés selon les recommandations de Yolov5 (yolov5_n):

$ python train.py --img 416 --batch 16 --epochs 65 --data custom_data.yaml –weights yolov5n.yaml --name yolov5n_results  --cache

Mise en place

Source 0 pour camera, --conf-thresh: seuil de confiance :

$ python detect.py --img 416 --source 0 --weights ./weights_after_training/yolov5_n/best.pt --conf-thres 0.5 --line-thickness 2

$ python detect.py --img 416 --source CHEMIN_VERS_REPERTOIRE_IMAGES --weights ./weights_after_training/yolov5_n/best.pt --save-txt --line-thickness 1

Evaluation avec mAP

Avec Roboflow, on transforme xml en format Yolo. Ensuite, on met les résultats (images et annotations) dans le dossier dans ./test_validation_kaggle.

On définit les données de validation dans custom_data_validation_coco_map.yaml :

$ python val.py --img 416 --weights ./weights_after_training/yolov5_n/best.pt --data custom_data_validation_coco_map.yaml --task test