yolov5 瓶子检测

### 使用YOLOv5实现瓶子检测

#### 创建并配置开发环境
为了确保顺利运行YOLOv5模型，建议先建立独立的Python虚拟环境来管理依赖项。具体命令如下所示：

conda create --name yolov5 python=3.9.12
conda activate yolov5

完成上述操作之后，需进一步安装必要的库文件和支持工具[^3]。

#### 准备数据集
对于特定物品——如瓶子的识别任务而言，高质量的数据集至关重要。如果现有的公共数据集中缺乏足够的标注样本，则可能需要自行收集图片资料，并利用LabelImg或其他类似的图形化工具来进行细致的人工标记工作。这一步骤会生成XML格式的标签文件以及对应的JPEG图像文件。

考虑到效率问题，在条件允许的情况下可以考虑使用预训练好的COCO数据集上的YOLOv5权重作为初始参数，因为该数据集已经包含了多种日常用品的信息，有助于加速收敛过程并提高泛化能力[^1]。

#### 修改配置文件
针对瓶子这一类别，应当调整`data/coco.yaml`中的相关内容，使其仅保留或新增有关瓶子类别的定义部分。例如：

nc: 1  # number of classes
names: ['bottle']

此修改使得网络专注于学习单一类型的特征表示，从而提升精度。

#### 训练自定义模型
当一切就绪后，可以通过执行以下指令启动训练进程：

python train.py --img 640 --batch 16 --epochs 100 --data data/bottles.yaml --weights yolov5s.pt

这里假设已准备好名为`bottles.yaml`的新数据集描述文档，并指定了合适的超参数组合以适应具体的硬件资源状况和性能需求[^2]。

#### 测试与部署
经过充分迭代优化后的模型可以直接用于实际场景下的物体探测作业当中。借助简单的脚本即可调用训练成果进行预测分析：

from pathlib import Path
import torch
from models.experimental import attempt_load
from utils.general import non_max_suppression, scale_coords
from utils.torch_utils import select_device
from PIL import Image
import numpy as np


def detect_bottles(image_path):
    device = select_device('')
    model = attempt_load('runs/train/exp/weights/best.pt', map_location=device)
    img = Image.open(image_path).convert('RGB')
    img_tensor = (np.array(img) / 255.).transpose((2, 0, 1))[None].astype(np.float32)
    pred = model(torch.from_numpy(img_tensor).to(device))
    results = non_max_suppression(pred)[0]
    boxes = []
    if results is not None and len(results):
        for *xyxy, conf, cls in reversed(results):
            box = tuple(map(int, xyxy))
            boxes.append(box)

    return boxes

这段代码片段展示了如何加载保存下来的最优版本权值文件(`best.pt`)并对单张输入照片实施边界框定位输出功能。