配置yolov4-tiny在ubuntu20.04上手把手教程
配置yolov4-tiny在ubuntu20.04上手把手教程
利用anaconda创建虚拟环境(可跳过)
这步其实也可以跳过,但是为了更规范的管理和长远考虑,有必要做一下。因为我就是第一次配置失败然后怒而重新创建虚拟环境的
conda create -n yolov4t python=3.8
python3.8比较舒服,3.7可能装不上pytorch
pytorch 下载
官网
在官网上选择你对应的cuda版本的pytorch,然后复制命令行,推荐选择pip
如果你是按照我的教程,应该安装11.8的cuda
torchvision 应该是一起下载的,不需要单独安装
环境 依赖 库下载
sudo apt-get install python3-pip libopenblas-base libopenmpi-dev libomp-dev
pip3 install 'Cython<3'
pip3 install numpy
pip3 install matplotlib tensorboard tqdm Pillow scipy
不是很全,但是没关系,之后报错缺少什么库就pip install
opencv下载
pip3 install opencv-python
yolov4-tiny配置
git clone https://github.com/bubbliiiing/yolov4-tiny-pytorch.git
将训练集的图片放入/yolov4-tiny-pytorch/VOCdevkit/VOC2007/JPEGImages中(jpg)
将标签文件放入/yolov4-tiny-pytorch/VOCdevkit/VOC2007/Annotations中 (xml)
注意:是把图片文件和标签文件放入,不是把文件夹放入
在model_data文件夹下新建drone_classes.txt,输入以下文字即可
drone
打开voc_annotation.py,修改classes_path为’model_data/drone_classes.txt’,保存并运行,这样数据集和验证集的分割文件就生成好了(可以看到主目录下的2007_train.txt和2007_val.txt中的内容更新了)
训练数据集
接下来就是训练了,首先修改train.py中的参数
**classes_path** = 'model_data/drone_classes.txt'
cuda=1
如果报错了,试试看cuda=0,这样用cpu跑出错概率小一点
训练完成后,使用自己训练的权重文件时,要在yolo.py里面修改model_path和classes_path