# YoloV5
## 论文
无
## 模型结构
YoloV5是一种单阶段目标检测算法，该算法在YOLOV4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。
## 算法原理
YoloV5模型的主要改进思路有以下几点：
- 输入端的Mosaic数据增强、自适应锚框计算、自适应图像缩放操作；
- 主干网络的Focus结构与CSP结构；
- Neck端的FPN+PAN结构；
- 输出端的损失函数GIOU_Loss以及预测框筛选的DIOU_nms。
## 环境配置
拉取镜像：
```plaintext
docker pull image.sourcefind.cn:5000/dcu/admin/base/migraphx:4.0.0-centos7.6-dtk23.04.1-py38-latest
```
创建并启动容器：
```plaintext
docker run --shm-size 16g --network=host --name=yolov5_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/yolov5_migraphx:/home/yolov5_migraphx -it /bin/bash
# 激活dtk
source /opt/dtk/env.sh
```
## 数据集
根据提供的样本数据，进行目标检测。
## 推理
### Python版本推理
下面介绍如何运行Python代码示例，Python示例的详细说明见Doc目录下的Tutorial_Python.md。
#### 设置环境变量
```
export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH
```
#### 安装依赖
```
# 进入python示例目录
cd /Python
# 安装依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
```
#### 运行示例
YoloV5模型的推理示例程序是YoloV5_infer_migraphx.py，使用如下命令运行该推理示例：
```
# 进入python目录
cd
# 进入Python目录
cd Python/
```
1. 静态推理
```
python YoloV5_infer_migraphx.py --staticInfer
```
2. 动态推理
```
python YoloV5_infer_migraphx.py --dynamicInfer
```
### C++版本推理
下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。
#### 构建工程
```
rbuild build -d depend
```
#### 设置环境变量
将依赖库依赖加入环境变量LD_LIBRARY_PATH，在~/.bashrc中添加如下语句：
```
export LD_LIBRARY_PATH=/depend/lib64/:$LD_LIBRARY_PATH
```
然后执行:
```
source ~/.bashrc
```
#### 运行示例
YoloV5示例程序编译成功后，执行如下指令运行该示例：
```
# 进入yolov5 migraphx工程根目录
cd
# 进入build目录
cd build/
```
1. 静态推理
```
./YOLOV5 0
```
2. 动态推理
```
./YOLOV5 1
```
## result
### Python版本
静态推理：
python程序运行结束后，会在当前目录生成YOLOV5静态推理检测结果可视化图像。
动态推理：
python程序运行结束后，会在当前目录生成YoloV5动态推理检测结果可视化图像。
### C++版本
静态推理：
C++程序运行结束后，会在build目录生成YOLOV5静态推理检测结果可视化图像。
动态推理：
C++程序运行结束后，会在build目录生成YoloV5动态shape推理检测结果可视化图像。
## 应用场景
### 算法类别
`目标检测`
### 热点应用行业
`交通`,`教育`,`化工`
## 源码仓库及问题反馈
https://developer.hpccube.com/codes/modelzoo/yolov5_migraphx
## 参考
https://github.com/ultralytics/yolov5