前言
这几天一方面在忙着工训的实习，明天就到工训实习的实习的最后一天的，已经五六天没写文章了。简单回顾一下，
周二早上实习，下午睡到两点，一直工作到晚上九点四十，在AutoDL上跑完了自己的数据集，下午三个小时数据标注，晚上熟悉云服务器的环境配置，从八点多开始跑770张图片200轮的训练；
周一早上实习，下午到三点回去，睡到晚上，晚上心情很郁闷，取完快递拆箱，完成了红富士，黄元帅，国光三种小苹果共计770张到数据采集；
周日上午实在没有动力，打了一上午饥荒，下午去图书馆打了一下午饥荒，活到了60天，但是差点心态崩了，晚上着手开始写综合课设的中期检查；
周六双十一，我翻了翻微信，哔哩哔哩，番茄自习室，sharplingo，但是都没有发现白天在干啥，周六极有可能是心情低落的时期；
好的，然后周五的记录就续上了。关于心情的总结不是重点，先把最近yoloV5的工作给梳理出来。
正文
这部分主要介绍是怎么认识 yolov5 的，起因是电子课程设计，选择了基于图像处理的水果识别的这个课题，然后开始查资料，了解相关的技术路线。由于是第一次做这种课题，并且还得负责主要任务，心累之余做肯定是要做的。我先去 bilibili 查找了相关的课题，大多数是通过 matlab 进行相对应的识别的，但是我觉得似乎不是很符合我的预期。
基本思路
于是我打算更进一步去想如何去做这个问题，当然解决问题，和写报告是很不一样的思路，写报告是不管怎么样，尽可能可读性强，但是解决问题，最主要的是理清楚思路。既然 bilibli 的综合排序没有找到我要的效果，通过询问 gpt 我大概得出了以下的思路：
基于图像处理的水果分类系统设计背后的原理如下：
1.图像获取：系统通过摄像头或其他图像采集设备获取水果的图像。
2.图像预处理：对获取的图像进行预处理，包括图像去噪、图像增强、图像分割等操作，以提高后续处理的准确性和效果。
3.特征提取：从预处理后的图像中提取出代表水果特征的信息，例如颜色、纹理、形状等。
4.特征选择：根据水果分类的需求，选择最具区分度的特征进行分类，可以使用特征选择算法来辅助选择最优特征。
5.分类器设计：根据选定的特征，设计合适的分类器模型，常用的分类器包括支持向量机（SVM）、人工神经网络（ANN）、决策树等。
6.训练和测试：使用已标记的水果图像数据集进行分类器的训练，并使用另外的测试数据集评估分类器的性能。
7.分类结果：将待分类的水果图像输入训练好的分类器，通过分类器进行分类，并输出水果的类别标签或概率。
8.系统优化：根据分类结果的准确性和效率，对系统进行优化，包括调整参数、改进算法等。
起初我想从比较熟悉的 FPGA 的相关的技术路线进行尝试，也查阅了相关的材料，但是实现的难度有点高。涉及到特征提取的有 Sobel 算法，可以对轮廓做很好的处理。
然后还发现一个up 主做的毕设和这个也是相关的，很有意思。
然后查找了一些文献，如下：
在文献 1，当中采取的方式，首先是先对图像进行预处理，对图像进行平滑去噪，图像增强，完成图像从环境中分离出来。然后进行特征提取，其中有颜色特征，纹理特征，然后放入 BP 神经网络分类器进行训练。
在文献 2，主要是针对方案一中的图像预处理进行了相对应的优化，采用了 FPGA 当中的 Soebl 边缘化提取特征向量。然后对比 SSD、YOLO、CenterNet 等方式的性能。 在文献 3，基本思路是和文献 1 类似的，多出了一些特征，比如面积特征，周长特征，弧度特征，颜色特征，然后通过神经网络进行分类。 在文献 4，采用的方式是进行 YOLOv5 模型进行水果自动识别，但是对模型进行了一些改进。在 yolov5 对网络后面又增加了一层网络，按照重要程度强化有用的特征，抑制掉无用的特征，替换了边框回归损失函数，提升了预测的精度。
在文献 5，同样也是对 yolov5 算法进行优化和改进，也是通过更换深度可分离卷积和添加注意力机制模块，提升准确度和降低网络负担。
选择 yolov5
因为刚接触这个问题，通过查阅的文献，感觉选择 yolo 的方式更加便于实践学习和操作。
关于 yolov5 的简介：
YOLOv5是一种基于深度学习的目标检测算法，它是YOLO（You Only Look Once）系列算法的最新版本。YOLOv5的原理可以概括为以下几个步骤：
1. 基础网络：YOLOv5使用了一种轻量级的卷积神经网络作为基础网络。这个网络主要用于提取图像的特征。
2. 特征提取：YOLOv5通过基础网络将输入图像转换为一系列特征图。这些特征图具有不同的尺度和语义信息，用于检测不同大小和类别的目标。
3. Anchor boxes：YOLOv5使用了一种称为Anchor boxes的技术来预测目标的位置和类别。Anchor boxes是一些预定义的边界框，每个框都与一个特定的尺度和长宽比相关联。YOLOv5通过在特征图上滑动这些Anchor boxes来检测目标。
4. 预测：对于每个Anchor box，YOLOv5预测目标的位置和类别。位置预测使用边界框的中心坐标、宽度和高度来表示。类别预测使用一个多类别分类器来确定目标的类别。
5. 损失函数：YOLOv5使用一种称为YOLOv5 Loss的损失函数来训练网络。该损失函数综合考虑了位置和类别的预测误差，并通过最小化损失来优化网络参数。
6. 多尺度检测：YOLOv5通过在不同尺度的特征图上进行检测来提高目标检测的性能。这种多尺度检测可以帮助模型检测不同大小的目标。
总体而言，YOLOv5通过将图像分为不同的网格单元，并在每个网格单元上预测目标的位置和类别来实现目标检测。它具有较快的检测速度和较高的准确率，适用于各种实时应用场景，如自动驾驶、视频监控和物体识别等。
好在，可以站在巨人的肩膀上。我通过博主：思绪无限 的文章进行了学习。
环境配置
对于刚开始使用 pycharm 的我，来说，配置环境还是走了不少弯路的，前期，要下载 pycharm 和 anaconda，用于配置环境，一开始我在 Mac 系统上配置环境没有成功，一直不知道如何把 pycharm 关联 anaconda 的环境，后来就转到 win 下进行操作。关于如何搭建并配置深度学习环境，我参考了 up 主：思绪无限的教程，初步完成了环境的激活。
训练自己的数据集
这部分介绍如何训练自己的数据集。
采集所需要的识别物体的图像
我是通过手机进行摄影，然后通过 usb 上传到电脑，然后手机拍摄的图片肯定太大了，而且在yolov5 的官方文档上说，训练的数据集最好能达到 1500 张以上。然后非常感谢一个宝藏的批量图片裁剪在线网页，没有广告，而且效率很高，我把 770 多张图片裁剪为 640*640 的大小，减小图片的体积。 11.18 更新：今天用 safari 测试才发现，可能是我在 win 上开了插件，所以没广告，所以也在 safari 上装了插件。
labelimg
之前通过 23 张图片，简单熟悉了 yolo 的训练流程，后面购买了，红富士，黄元帅，和国光，三种类型的苹果进行数据采集，目的是为了通过 yolov5 来训练模型识别这三种水果的能力。
前期通过不同角度完成了对数据集的拍摄，共计 770 张图片，然后次日花了很久用 labelimg 软件对图片进行数据标注，在此不得不提一下。labelimg 软件我刚开始觉得非常难用，因为需要配置 python 环境，而且动不动就闪退。就在我找不到头绪之际，非常感谢 up 主：小周不会做 提供的灵感，up 主提供了 labelimg 的打包版，这样子就可以启动并进行使用了，让图片得到顺利的标注。
正确配置路径
然后可以现在本地环境上进行调试一下，可以参考这位 up 主：遗落的教程，讲解得很详细。还有怎么用快捷键打标签，可以参照这位 up 主：圣音去扉的教程。然后需要现在本地环境能够正常的跑成功，在这前提下，可以尝试使用带有 GPU 的云服务器进行训练。
AutoDL
关于如何使用 AutoDL，非常感谢 up 主：你可是处女座啊的教程，介绍得很详细，如何上传文件夹到服务器，可以使用 scp 命令，也可以使用网页进行上传。
然后，你还需要配置 CUDA 环境，在服务器上安装必要的环境，然后就可以开始使用 gpu 进行愉快的训练了。我使用的是英伟达的 3080 显卡，速度已经感觉很快了，但是 770 张 200 轮跑下来，也花了一个半小时。
总结
后续还需要进行参数微调，但是自我感觉时间有限，还有点累，所以，这篇文章后面就写得很简单，我又得做又得写报告，虽然很难崩得住，但是也得顶住啊。