### Lab2-1：安裝 YOLOv5 環境 ###

(myenv_39) >>> deactivate		# 先關閉目前的虛擬環境

>>> conda create -n yolov5env_39 --clone myenv_39		# 複製虛擬環境 myenv，新的虛擬環境為 myenv_new

>>> activate yolov5env_39			# 啟動 yolov5 的虛擬環境



### Lab2-2：下載 YOLOv5 檔案 ###

# git for Windows 的網址
https://gitforwindows.org/

(yolov5env_39) >>> git clone https://github.com/ultralytics/yolov5		# 下載 YOLOv5 原始碼

(yolov5env_39) >>> cd yolov5								# 進入 yolov5 目錄

(yolov5env_39) >>> pip install -r requirements.txt					# 安裝 YOLOv5 所需環境



### Lab2-3：使用 YOLOv5 模型偵測物件 ###

(yolov5env_39) >>> python detect.py --source ./data/images/zidane.jpg	# 以 YOLOv5 模型偵測圖片物件

(yolov5env_39) >>> python detect.py --source https://www.youtube.com/watch?v=1EiC9bvVGnk	# 以 YOLOv5 模型偵測 Youtube 物件

(yolov5env_39) >>> python detect.py --source https://www.youtube.com/watch?v=7BwW2dH6ZI0	# 失敗的 Youtube

(yolov5env_39) >>> pip install yt-dlp

(yolov5env_39) >>> yt-dlp -f bestvideo -o "test1.mp4" https://www.youtube.com/watch?v=7BwW2dH6ZI0

(yolov5env_39) >>> python detect.py --source test1.mp4



### Lab2-4：使用 YOLOv5 模型偵測攝影機 ###

(yolov5env_39) >>> python detect.py --source 0					# 以 YOLOv5 模型偵測攝影機物件

(yolov5env_39) >>> python detect.py --source 0 --weight yolov5n.pt		# 以 yolov5n 的模型偵測攝影機物件

(yolov5env_39) >>> python detect.py --help					# 查詢參數用法



### Lab2-4：匯入 torch 來使用 YOLOv5 模型偵測物件 (2-1.py) ###

import torch

model = torch.hub.load('ultralytics/yolov5', 'yolov5s')	# 從 PyTorch Hub 下載 YOLOv5s 預訓練模型，可選用的模型有 yolov5s, yolov5m, yolov5x 等
img = 'https://ultralytics.com/images/zidane.jpg'		# 影像來源，支援檔案、路徑、PIL、OpenCV, NumPy, list 等
results = model(img)			# 進行物件偵測
results.print()				# 顯示結果摘要

results.show()				# 顯示結果圖片
results.save()				# 儲存結果圖片

print(results.pandas().xyxy[0])		# 顯示物件列表



### Lab2-5：YOLO 即時影像辦識與存檔 (2-2.py) ###

import torch
import cv2

# 從 PyTorch Hub 加載 YOLOv5 模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')

# 初始化攝影機
cap = cv2.VideoCapture(0)

if not cap.isOpened():
    print('請檢查攝影機，無法開啟')
    exit()

# 設定影像解析度
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)

while True:
    # 從攝影機讀取影像
    ret, frame = cap.read()
    if not ret:
        print('無法取得影像')
        break

    # OpenCV 的影像格式為 BGR，需要轉換為 RGB
    rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)

    # 使用 YOLOv5 模型進行偵測
    results = model(rgb_frame)

    # 獲取辨識後的影像與標註資訊
    output_frame = results.render()[0]  # 在影像上繪製標註

    # 顯示影像
    bgr_frame = cv2.cvtColor(output_frame, cv2.COLOR_RGB2BGR)
    cv2.imshow('YOLOv5 Detection', bgr_frame)

    # 按下 'q' 鍵退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 釋放攝影機並關閉視窗
cap.release()
cv2.destroyAllWindows()



### Lab2-6：自行訓練 YOLO 模型 ###

# 安裝 labelImg 標註工具

(yolov5env_39) >>> pip install labelImg		# 從 PyPI 下載與安裝 labelImg

(yolov5env_39) >>> start /min labelImg		# 執行 labelImg，start /min 為背景執行



### Lab2-7：標註圖片 ###

# 到 Kaggle 下載訓練照片檔
https://www.kaggle.com/datasets/andrewmvd/road-sign-detection

# coco128 資料集 的目錄結構
https://www.kaggle.com/datasets/ultralytics/coco128

# YOLOv5 官方網頁上的建議
https://github.com/ultralytics/yolov5/wiki/Tips-for-Best-Training-Results



### Lab2-8：資料集 YAML 設定檔 (road.yaml) ###

# 設定圖檔路徑
path: ./datasets/road	# 資料根目錄
train: images/train     # 訓練用資料集（相對於 path）
val: images/train       # 驗證用資料集（相對於 path）
test:                   # 測試用資料集（相對於 path，可省略）

# 物件類別設定
nc: 4           # 類別數量
names: ['trafficlight', 'speedlimit', 'crosswalk', 'stop']  # 類別名稱



### Lab2-9：訓練 YOLOv5 模型 ###

# 進行 YOLOv5s 模型訓練
(yolov5env_39) >>> python train.py --img-size 640 --batch 16 --epochs 500 --data road.yaml --weights yolov5s.pt



### Lab2-10：使用 Google Colab 來訓練模型 ###

# 登入 Googe Drive
from google.colab import drive
drive.mount('/content/gdrive')		# 此處需要登入 google 帳號

>>> %cd gdrive/MyDrive/			# 進入掛載的雲端硬碟資料夾

>>> !unzip yolov5-master.zip		# 解壓縮 yolov5-master.zip

>>> %cd yolov5-master			# 進入掛載的雲端硬碟目錄

>>> pip install -r requirements.txt	# 安裝 yolov5 所需模組 

>>> !python train.py --img-size 640 --batch 16 --epochs 500 --data road.yaml --weights yolov5s.pt		# 進行 YOLOv5s 模型訓練



### Lab2-11：使用自己的模型進行預測：detect.py 指令稿 ###

# 自己訓練出來的 YOLO 模型也可以直接套用 detect.py 指令稿進行預測
(yolov5env_39) >>> python detect.py --weight runs/train/exp/weights/best.pt --source datasets\road\images\train\road0.png --iou-thres 0.5 --conf-thres 0.5

# 以自行訓練的 YOLO 模型偵測攝影機物件
(yolov5env_39) >>> python detect.py --weight runs/train/exp/weights/best.pt --source 0 --iou-thres 0.5 --conf-thres 0.5

# 以自行訓練的 YOLO 模型偵測 Youtube 的影片，但失敗
(yolov5env_39) >>> python detect.py --weight runs/train/exp/weights/best.pt --source https://www.youtube.com/watch?v=7BwW2dH6ZI0 --iou-thres 0.5 --conf-thres 0.5

# 改以手動下載 Youtube 後，再進行辨識
(yolov5env_39) >>> yt-dlp -f bestvideo -o "test2.mp4" https://www.youtube.com/watch?v=7BwW2dH6ZI0
(yolov5env_39) >>> python detect.py --weight runs/train/exp/weights/best.pt --source test2.mp4 --iou-thres 0.5 --conf-thres 0.5



### Lab2-12：使用自己的模型進行預測：自行撰寫 Python (2-3.py) ###

import torch

model = torch.hub.load('ultralytics/yolov5', 'custom', path = 'runs/train/exp/weights/best.pt')		# 載入自行訓練的 YOLOv5 模型
img = 'datasets/road/images/train/road6.png'		# 影像來源

model.iou = 0.5         # 設定 IoU 門檻值
model.conf = 0.5        # 設定信心門檻值

results = model(img)	# 進行物件偵測

results.print()         # 顯示結果摘要
results.show()		# 顯示結果圖片
results.save()		# 儲存結果圖片

print(results.pandas().xyxy[0])    # 顯示物件列表



### Lab2-13：使用自己的模型進行預測：自行撰寫 Python 測試下載的 YouTube 影片 (2-4.py) ###

import torch
import cv2

model = torch.hub.load('ultralytics/yolov5', 'custom', path = 'runs/train/exp/weights/best.pt')
model.iou = 0.5
model.conf = 0.5

cap = cv2.VideoCapture('test2.mp4')

while True:
    ret, frame = cap.read()
    if not ret:
        print("無法取得影像")
        break

    rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)

    results = model(rgb_frame)

    output_frame = results.render()[0]

    bgr_frame = cv2.cvtColor(output_frame, cv2.COLOR_RGB2BGR)
    cv2.imshow('YOLOv5 Detection', bgr_frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()