%20(2).svg)
项目简介
本项目基于PyTorch框架，运用改进版YOLOv5s模型，将去雾算法与目标检测功能相结合。通过联合训练，系统可在实时处理图像去雾的同时进行目标检测，适用于复杂环境下的目标识别任务。项目具备完整的训练、检测和API调用功能，支持用户自定义模型训练与优化。
项目的主要特性和功能
- 联合去雾与目标检测：改进YOLOv5s模型，结合去雾算法，在去雾后的图像上开展目标检测，提高复杂环境下的检测精度。
- 模型训练与优化：支持联合训练模式，可先预训练去雾模型再进行联合训练，优化模型性能。
- 数据处理与增强：提供数据加载、标签处理和数据增强（随机裁剪、旋转、缩放等）功能，提升模型泛化能力。
- 日志记录与可视化：集成Weights & Biases（wandb）平台，支持训练过程的实时监控与日志记录，方便进行模型性能分析和参数优化。
- API支持：基于Flask框架提供REST API接口，支持用户上传图片并获取去雾与检测结果。
- 自动锚点优化：提供自动锚点优化工具，生成适应数据集的锚点配置。
- 训练恢复功能：支持从断点恢复训练任务，保障长时间训练任务的稳定性。
安装使用步骤
环境准备
- 确保已安装Python 3.8及以上版本。
- 安装PyTorch及相关依赖库：
bash pip install torch torchvision - 安装项目所需的其他依赖：
bash pip install -r requirements.txt
模型训练
- 预训练去雾模型（可选）：
bash python train.py --dehaze_only - 联合训练去雾与检测模型：
bash python train.py --joint_training训练完成后，模型文件将保存在./run目录下。
目标检测
- 使用联合去雾与检测功能：
bash python detect.py --joint检测结果将保存在./results目录下。
API调用
- 启动Flask API服务：
bash python api.py - 通过API上传图片并获取检测结果：
bash curl -X POST -F "file=@your_image.jpg" http://localhost:5000/detect
日志记录与可视化
- 配置wandb平台API密钥：
bash wandb login - 在训练过程中，日志将自动上传至wandb平台，用户可通过平台查看训练进度与性能指标。
注意事项
- 确保训练数据集的格式符合YOLOv5s的要求。
- 在分布式训练或多GPU环境下，需正确配置训练参数。
- 训练过程中建议定期检查模型性能，避免过拟合或欠拟合。
下载地址
点击下载 【提取码: 4003】【解压密码: www.makuang.net】