YOLOV5 环境搭建和使用记录

Posted 2022-02-10 Love丶伊卡洛斯

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了YOLOV5 环境搭建和使用记录相关的知识，希望对你有一定的参考价值。

前言

环境搭建

Anaconda

本地环境 Anaconda
python版本选的 python3.8.12，创建环境

yolov5克隆到本地

我这采取的方案是fork了仓库同步到了gitee，然后clone

安装相关依赖库

采用pycharm打开工程，配置为 conda的环境

根据官方说明文档进行安装
激活我们刚才创建的环境 py38-img

执行pip命令 pip install -r requirements.txt

完成安装。
ps：我这已经换了源
路径：C:\\Users\\用户名\\pip
pip.ini 内容为：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-host = https://pypi.tuna.tsinghua.edu.cn

安装CUDA和cuDNN（有显卡需求的话）

参考文章：win10安装CUDA和cuDNN的正确姿势
CUDA下载页面：https://developer.nvidia.com/cuda-downloads
cuDNN下载页面：https://developer.nvidia.com/rdp/cudnn-download
根据教程安装和配置好环境， cudnn里面的文件需要复制到 cuda的对应文件夹下。这里访问比较困难
我这同步到了阿里云盘：「cuda_11.6.0_511.23_windows.exe」https://www.aliyundrive.com/s/6Q4yRH9nJ8Q

环境变量的配置

C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.6
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.6\\lib\\x64

安装完后的测试 nvcc -V

C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.6\\extras\\demo_suite执行测试程序

这是我的相关参数

pytorch单独再次安装

因为pytorch这块安装有 cpu only的版本所以我掉了很多次坑
参考：Windows环境下Anaconda3安装配置pytorch详细步骤（踩坑汇总）
Pytorch版本、CUDA版本与显卡驱动版本的对应关系
注意版本是否对应！
pytorch官网：https://pytorch.org/
根据你的需求生成安装命令，后缀的 -c pytorch删掉

conda install pytorch torchvision torchaudio cudatoolkit

查看安装的相关库 conda list ，没有带 cpuonly 对头

测试官方demo

detect.py识别 bus.jpg

源码里面写了相关的使用命令和传参，当然直接跑多半会报错

正常情况运行命令 python detect.py --weights yolov5s.pt --source data\\images\\bus.jpg，可以完成图片识别，显示结果到runs下的exp里

当然细心的你会发现缺少了对应的权重文件 yolov5s.pt，相应的权重文件可以在官方github仓库下载：https://github.com/ultralytics/yolov5/releases
当然如果你没有下载，例程也会自动帮你运行下载程序，不过网络不好的情况下多半会出现443等报错然后下载失败。

另外你例程会下载字体包 Arial.ttf，如果下载失败可以自行去提示的官网下载，然后存放在指定路径下 C:\\Users\\用户名\\AppData\\Roaming\\Ultralytics，并安装字体包。

我这阿里云盘也上传了：https://www.aliyundrive.com/s/xzgh5fr6yLU

train.py训练模型

源码里也同样提供了参考的命令当然直接跑也是运行不了的啦

当然我这提供了运行命令，先创建文件夹 datasets，然后将coco128数据集下载后解压进去（当然例程会自己下载，不过我这下载还是失败了）

$ cd datasets
$ python ..\\train.py --data ..\\data\\coco128.yaml --img 128

例程会读取 data\\coco128.yaml 文件，yaml里面写了下载的数据集路径，你可以手动下载然后解压到datasets里面
https://ultralytics.com/assets/coco128.zip

再次执行我们的训练命令，开始训练

$ cd datasets
$ python ..\\train.py --data ..\\data\\coco128.yaml --img 128

当然我这不训练这个了，自己随便搞个test训练训练（这个test训练集由labelimg 工具协助生成） labelimg相关使用可以参考下面的部分传送门

开始训练 python ..\\train.py --data test\\test.yaml --epochs 3 --batch-size 2 --weights ..\\runs\\train\\exp26\\weights\\last.pt --nosave --cache

报错 OSError: [WinError 1455] 页面文件太小，无法完成操作。你可以调小 --batch-size
配合命令 nvidia-smi，查看显卡信息

下图转自 yolov5训练相关参数解释

相关训练参数可参考：yolov5训练相关参数解释
我们调小 --batch-size python ..\\train.py --data test\\test.yaml --epochs 3 --batch-size 2 --weights ..\\runs\\train\\exp26\\weights\\last.pt --nosave --cache，成功完成训练。训练结果默认存储在 runs\\train\\exp 等下面，我们的权重文件生成了2个 last.pt, best.pt 。当然可能你只会生成1个last.pt，问题不大，继续练。

训练好后的权重 pt拿去再次detect.py识别

labelimg相关使用

下载

官方仓库：https://github.com/tzutalin/labelImg/releases

使用

解压，运行exe

删除默认提供的类名（根据自己需要）

我这推荐的几个实用的快捷键

w 创建选框
a 前一张图片
d 后一张图片
ctrl+S 保存

准备需要标注的图片数据集
我这按自己喜欢的结构创建，images 和 labels 文件夹和 yaml文件，在外面套个文件夹

我们将要标注的原始图片放在 images文件夹内
从百度爬点图片

然后我们开始用工具进行标注，“open dir”打开我们需要标注的图片的文件夹

图片会自动加载进来

“change save dir”设置保存labels的路径为我们的 labels

修改标注的格式为yolo（点击切换）

然后就是使用我们的快捷键进行框选区域和打标签了。（记得保存）

标注完，保存后，生成的配置都在对应文件夹下，classes.txt为所有的labels，其他单个文件为对应label的参数

修改 yaml文件的相关配置

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ikaros  # dataset root dir
train: images  # train images (relative to 'path') 128 images
val: images  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
nc: 1  # number of classes
names: ['ikaros']  # class names

拉去训练，1组报错

追加一个类

改yaml为

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ikaros  # dataset root dir
train: images  # train images (relative to 'path') 128 images
val: images  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
nc: 2  # number of classes
names: ['ikaros',
'ZhiShu']  # class names

从零开始的train.py训练生活

前面准备工作做好后，开始训练先叫上GPU来100组俯卧撑（当然你GPU兄弟累了可以不叫他诶嘿~）

$ cd datasets
$ python ..\\train.py --data ikaros\\ikaros.yaml --epochs 100 --batch-size 1 --nosave --cache

100组终于练好了。可以发现我们的锻炼结果不咋滴哈，all mAP@.5只有 0.394，没有0.5的置信度我很难办事呀，兄弟还得练哈

我们先拿这个练完100组的权重兄去测一测，置信度阈值设为0.3

python ..\\detect.py --weights ..\\runs\\train\\exp35\\weights\\best.pt --source ikaros\\images --conf-thres 0.3

还行还得多练练

置信度阈值设为0.01

python ..\\detect.py --weights ..\\runs\\train\\exp35\\weights\\best.pt --source ikaros\\images --conf-thres 0.01

差不多了在多练练。前面练好的pt不要丢，叫上继续训练再来100组

python ..\\train.py --data ikaros\\ikaros.yaml --epochs 100 --weights ..\\runs\\train\\exp35\\weights\\best.pt --batch-size 1 --nosave --cache

再次测试 python ..\\detect.py --weights ..\\runs\\train\\exp36\\weights\\last.pt --source ikaros\\images --conf-thres 0.5，差不多得了，有兴趣接着练

增加了样本数，继续锻炼

python ..\\train.py --data ikaros\\ikaros.yaml --epochs 100 --weights ..\\runs\\train\\exp36\\weights\\last.pt --batch-size 1 --workers 4  --nosave --cache

mAP@.5 0.745 效果不错了

找个视频识别下

python ..\\detect.py --weights ..\\runs\\train\\ikaros\\ikaros.pt --source ..\\data\\videos\\FallenDown.mp4

报错相关

报错 OSError: [WinError 1455] 页面文件太小，无法完成操作。

增加分配虚拟内存，然后重启。调小 --batch-size，或者改 --batch-size -1 自动识别（不过我这就经常崩溃）
减小 --workers

python ..\\train.py --data ikaros\\ikaros.yaml --epochs 100 --weights ..\\runs\\train\\exp36\\weights\\last.pt --batch-size 1 --workers 4  --nosave --cache