1、项目开发背景

编译环境：基于python语言，openvino，pytorch

硬件环境：处理器    Intel(R) Core(TM) i5-7300HQ CPU @ 2.50GHz   2.50 GHz

            机带 RAM       8.00 GB (7.87 GB 可用)

            系统类型        Windows10 64位操作系统

            GPU        1050Ti(4GB)

数据集素材：小样本计数数据集

2、项目开发设计思路

数据集准备

由于提供的格式为VM格式，无法直接用于yolo,故选择用labelme进行标注，其中20p作为训练集，5p作为验证集，通过代码文件Data-enhancement-main\Data-enhancement\DataAugForObjectSegmentation\DataAugmentforLabelMe.py将数据集扩充10倍，采用yolov5-seg-master\json2txt.py文件将json格式转换为yolo格式后进行训练。（为了提高对剩余17类图片的识别率，于网上收集相似照片1000多张扩充后放入训练集一起训练），代码文件列表如下图所示。

3、项目运行流程

环境安装：

创建虚拟环境

 conda create -n openvino python==3.9

激活环境

 conda activate openvino

安装pytorch

pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116 -i https://pypi.tuna.tsinghua.edu.cn/simple

安装 Cuda11.6

安装依赖库 

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

激活环境：conda activate openvino

模型训练：修改yolov5-seg-master\data\custom.yaml文件设置，修改为自己数据集路径和种类

之后  python train.py

在yolov5-seg-master\runs\train-seg\weights文件夹生成训练好的模型

检测：predict.py --weights (训练生成的模型路径).best.pt --device cpu(未加速)

在yolov5-seg-master\runs\predict-seg文件下生成检测后的图片与labels

YOLOV5转换成openvino

pip install openvino-dev==2024.0.0

pip install openvino==2024.0.0

转换模型：python export.py --weights yolov5n-seg-best.pt（需要转换的权重路径） --include openvino

(这里可能无法直接转换成功，可能需要安装高版本的onnx)

在yolov5-seg-master\yolov5n-seg-best_openvino_model文件夹下生成openvino格式文件

运行：python openvino_seg_detect.py（openvino加速）

在yolov5-seg-master\output文件夹下生成检测文件与labels

注：生成的label文件为yolo格式，需要经过yolov5-seg-master文件夹下的三个程序处理才能生成性能评测文件需要的格式；程序1将yolo的相对坐标转换为绝对坐标，程序2将txt文件里的内容转换为比赛要求格式，程序3将所有txt文件内容合成一个。

配置好openvino环境后,将yolov5n-seg.best转换为openvino格式，运行yolov5-seg-master/openvino_seg_detect.py文件