Pytorch安装框架流程/总结

zhu3190

已于 2023-12-08 20:18:03 修改

阅读量145

点赞数

文章标签： YOLO

于 2023-12-05 19:25:41 首次发布

本文链接：https://blog.csdn.net/Zhh133zhu/article/details/134814173

版权

本文使用的在线安装，对安装Pytorch的步骤作总结，整理框架流程，防止踩坑。安装具体细节可以参考别的博主

安装中涉及到Anaconda，Python，Cuda，CuDnn，Pytorch。

其中Cuda，CuDnn，Pytorch不兼容严重，一定要找准版本，我的建议是先确定Pytorch版本再确定Cuda，CuDnn版本

离线库网址：

使用离线安装比较麻烦，对python的版本也是有要求的，列如：

指的是这个torch版本为1.10.0，需要Cuda11.3，Python3.6版本，windows64位。

此外还需要添加对应的 torchvision和torchaudio的库

如有不对，请大佬指教

一.安装Anaconda

1.1准备工作

安装Python环境，推荐环境3.8

安装Pycharm，版本是2020.1

安装Anaconda，推荐版本Anaconda为2022.10

解压完后，分别添加Python和Anaconda的相关路径

安装后使用win+r，创建自己的虚拟环境，并指定Python版本，如果没有Python环境。可以自己加一下很简单

1.2常用按键

安装好Anaconda后，需要创建自己的虚拟环境

创建虚拟环境

conda create -n 环境名 python=3.9

进入虚拟环境

conda activate 环境名

退出虚拟环境

conda deactivate

查看conda下的虚拟环境

conda info --e

列出当前环境下的库

conda list

查看Cuda版本

nvcc -V

查看cudnn版本

conda activate yolov5

python

import torchvision

print(torchvision.__version__)

二.安装Cuda和Cudnn

1.1 Cuda的版本

在安装Cudah前，一定要先确认自己要多少版本的pytorch库

比如安装1.6版本的pytorch库，就需要去安装10.2版本的Cuda

再去找对应的Cudnn版本，例如：10.2版本的Cuda对应的是7.6.5的Cudnn

如下是Cuda版本对应Pytorch版本

1.2 torchvison 版本

1.2 Cuda官网

Cuda官网:

安装很简单，一路next，路径需要自定义，注意的是VS不要勾选

1.3 CnDNN官网

CnDNN官网:

Cudnn安装对应版本，下载解压缩，将三个文件复制到cuda下面（安装很简单）

默认路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\这里是你下载Cuda的版本

添加Cuda的环境

三.Pytorch安装

Pytorch的官网

进入官网，点左下角 (Previous versions of PyTorch)，下载历史版本

1.1下载自己需要的版本

在自己的虚拟环境下输入命令，如若运行指令出现网络问题可以多运行几次

1.2安装成功测试

安装结束后输入以下指令，测试是否成功

python

import torch

torch.cuda.is_available()

torch.version.cuda

print(torch.__version__)

四.Yolov5框架

1.1框架下载

在GitHup上选择自己需要的框架，然后解压缩

1.2 文件修改

对 requirements.txt 进行更改，将torch>=版本给注释掉，因为我们已经安装好了

然后将torchvison改成torch对应的版本

1.3 Pycharm环境设置

将下载的yolov5框架加载到Pycharm上，在设置中更改解释器为我们安装pytorch的coda虚拟环境

如果缺少包，依赖之类的，进行自动安装。也可以使用pip命令到相应的虚拟环境下进行安装

添加完毕后运行，在runs的detect下面输出被预测的图片

1.4 detect.py和train.py

detect.py文件下，220行左右，常用参数解析

train.py文件参数解析

五. labellimg标注

labelimg 是可视化图像标定工具，支持YOLO格式，主要是建立自己的数据集，进行深度学习训练

1.1 获取labellimg

在GitHub上下载labellimg-master，解压完后，拖进Pycharm

注意，因为labellimg-master最高支持3.7版本的Python，所以需要在Pycharm当中新配置一个Pythoon3.7的环境

1.2 Pyqt和常规报错

安装PyQt5的时候，在虚拟环境下使用

pip install pyqt5

如果遇到网络问题可以切换镜像源

如果提示没有 Microsoft Visual C++ 14.0 ，那么需要安装一个VIsual Studio

此外我额外勾选了 C++分析工具，完美解决

PyQt4报错，则需将离线包导入

加载完后，如果labellmg的reource报错，进入到labellimg-master目录下，执行以下操作

1.3LabelImg标注

代码没有报错后，运行程序，切换保存模式为Yolo，打开训练图片的文件夹进行标注

Ctrl + s 保存当前改动

d 下一张图片

Ctrl + +/Ctrl + 滚轮向前放大

Ctrl + d 复制当前标签和矩形框

space 将当前图像标记为已验证

w 创建一个矩形框

1.4标签文件解析

训练完成后，图片的文件夹多了标签文件和类别标签文件

标签类别文件解析:

标签文件解析：

六. 训练模型

可以看这个yolov5文件结构解析

先说流程:

首先对图片进行标注，将标注好的图片和标注信息放入data文件下，创建datasts文件格式存放

data(必须)下创建超参.yaml，里面存放训练集和标注信息的路径

然后进入Pycharm对创建的超参进行添加数据

全部配置完成后，在train.py当中更改超参的路径

1.1datasts

yolov5-master文件下的data文件夹中创建datasets文件（存放数据集）

将刚刚标注好的训练集和标注信息放入对应文件夹

1.2 hyps下的超参文件

然后在yolov5-master文件下hyps里面，创建test.yaml文件 (存放的超参)

tips:可以使用这个默认的，不需要每次都新建


lr0: 0.01                         # initial learning rate (SGD=1E-2,Adam=1E-3)
lrf: 0.01                         # final OneCycleLR Learning rate (Lr0 lrf)
momentum: 0.937                   # SGD momentum/Adam beta1
weight_decay: 0.0005              # optimizer weight decay 5e-4
warmup_epochs: 3.0                # warmup epochs (fractions ok)
warmup_momentum: 0.8              # warmup initial momentum
warmup_bias_lr: 0.1               # warmup initial bias lr
box: 0.05                         # box loss gain
cls: 0.5                          # cls loss gain
cls_pw: 1.0                       # cls BCELoss positive_weight
obj: 1.0                          # obj loss gain (scale with pixels)
obj_pw: 1.0                       # obj BCELoss positive_weight
1oU_t: 0.20                       # IoU training threshold
anchor_t: 4.0                     # anchor-multiple threshold
#anchors: 3                       #  anchors per output Layer (0 to ignore)
fl_gamma: 0.0                     # ocal loss gamma (efficientDet default gamma=1.5)

hsv_h: 0.015                      #image HSV-Hue augmentation         (概率类型)色调
hsv_s: 0.7                        #image HSV-Saturation augmentation  (概率类型)饱和度
hsv_v: 0.4                        #image HSV-Value augmentation       (概率类型)曝光度
degrees: 0.0                      #image rotation (+/deg)             (随机)旋转角度
translate: 0.1                    #image translation (+/fraction)     (随机)平移
scale: 0.5                        #image scale (+/gain)               (随机)缩放尺度因子
shear: 0.0                        #image shear (+/deg)                (随机)错切/非垂直投影
perspective: 0.0                  #image perspective (+/fraction),range 0-0.001   (随机)透视变换

flipud: 0.5                       #image flip up-down                 (概率类型)上下翻转
fliplr: 0.0                       #mage flip left-right               (概率类型)左右翻转
mosa1c: 1.0                       #image mosaic                       (概率类型)四图拼接
mixup: 0.0                        #image mixup                        (概率类型)图像互相融合
copy_paste: 0.0                   #segment copy-paste                 (概率类型)分割填补、乱入效果

1.2 data下的超参文件

然后在yolov5-master文件下data里面，创建test.yaml文件 (超参配置文件)

data文件夹是用来配置训练集和测试集还有验证集的路径的，其中还包括目标检测的种类数和种类的名称；

train: ./data/datasets/images/train  #训练集的目录train
val:   ./data/datasets/images/val    #测试集的目录val
test:  ./data/datasets/images/test   #调试信息的目录test

nc: 3                                 #被检测的数量nc
names: ['Grenn','Yellow','Red']       #被检测目标名称，一定要从class文件当中复制进来，顺序不要错