深度学习笔记34-YOLOv5调用官方权重进行检测

m0_678693332025-08-22 14:49

🍨 本文为 🔗365天深度学习训练营中的学习记录博客
🍖 原作者： K同学啊

一、引言

今天带大家探索一下深度学习在医学领域的应用，乳腺癌是女性最常见的癌症形式，浸润性导管癌 (IDC) 是最常见的乳腺癌形式。准确识别和分类乳腺癌亚型是一项重要的临床任务，利用深度学习方法识别可以有效节省时间井减少错误。我们的数据集是由多张以 40 倍扫描的乳腺癌(BCa）标本的完整载玻片图像组成。

1.拉取git源码

打开官网后下载代码https://github.com/ultralytics/yolov5，在cmd中运行

bash 复制代码

git clone https://github.com/ultralytics/yolov5

找到刚下载的代码文件中的requirments.txt文件

在cmd中运行

bash 复制代码

pip install -r requirements的文件地址

等待环境配置

2. 运行代码

在cmd中运行

bash 复制代码

cd yolov5的文件夹路径
python "C:\Users\users\yolov5\detect.py" --source "D:\***\Desktop\screenshot-20250819-135159.png" --weights yolov5s.pt --img 640

注意，detect.py的路径换成自己的，后面的图片路径也换成自己的。

但有的人可能环境报错，所以在最开始创建虚拟环境比较好，在cmd运行

bash 复制代码

# 创建虚拟环境
C:\Users\***\AppData\Local\Programs\Python\Python39\python.exe -m venv yolov5-venv

# 激活虚拟环境
yolov5-venv\Scripts\activate

# 安装依赖
pip install -r requirements.txt

# 运行程序
python detect.py --weights yolov5s.pt --source your_image.jpg

二、总结

YOLO（You Only Look Once）是一种非常流行的目标检测算法，用于从图像或视频中实时识别物体。与传统的目标检测方法不同，YOLO将目标检测任务转化为回归问题，在一个单独的神经网络中同时完成物体的定位和分类。因此，YOLO的主要特点是高效、实时，并且能够处理复杂的场景。

YOLO的工作流程如下：

图像分割：将输入图像分为多个网格。
边界框预测：每个网格预测一定数量的边界框，每个边界框包含物体的坐标、宽高以及该物体的类别概率。
目标分类与置信度 ：每个边界框会给出一个目标类别的概率，以及置信度分数，用来判断该框是否包含目标。