使用YOLO5—V7.0训练模型并将训练结果模型.pt转成.onnx测试

目录

前言

YOLO5—V7.0的快速部署（简化版）

1.数据集准备

2. 下载预训练模型

 3.搭配YOLO5环境

安装CUDA和pytorch（网上教程很多此处不赘述，注意pytorch不要安装成CPU版本的）

在终端里cd 到 yolov5-v5.0目录下 安装requirements.txt文件里的包

4.配置YOLO5—V7.0文件

5.报错 ：

6.使用export文生成.onnx文件

​7.使用主目录下的detect文件测试onnx文件

8.成果：

9.使用 Netron （开源的模型可视化工具）来可视化 ONNX 模型

大佬文章：

结语：

---

 

前言

使用YOLO5 --v5.0 的 export将训练好的.pt模型文件转成.onnx文件出现各种错误虽然转出了onnx文件，但是并不能检测出目标物体。

经过不断的精神折磨后发现是v5.0版本问题 ，所以在这里对v7.0版本的使用做个笔记（重点是使用export文件转出onnx文件 并且在detect文件里使用onnx文件检测onnx文件） 。

YOLO5—V7.0的快速部署（简化版）

v7.0与 V5.0部署方法几乎一样，此处不做过多介绍，具体细节可以参考我写的V5.0版本的部署小白使用YOLO5训练猫狗数据的全过程及所遇到的坑-CSDN博客

1.数据集准备

images 里存放的是猫和狗的图片 

labels里存放的是标签 （此处图片和标签需要一一对应）

可以参考大佬文章：

目标检测---利用labelimg制作自己的深度学习目标检测数据集-CSDN博客目标检测---数据集格式转化及训练集和验证集划分_训练集和验证集的划分代码-CSDN博客

v7.0的源码地址:(点击直接访问，加速访问进的是Gitcode下载不了预训练模型)ultralytics/yolov5 at v7.0 (github.com)https://github.com/ultralytics/yolov5/tree/v7.0

2. 下载预训练模型

在上述v7.0的源码地址找到如下界面（建议鼠标右击选择新标签页打开链接）（我这里选择yolo5s.pt轻量级的，文件一般越大精度越高但所需的时间，要求的配置也相应增加）

 3.搭配YOLO5环境

安装CUDA和pytorch（网上教程很多此处不赘述，注意pytorch不要安装成CPU版本的）

安装完成后可以用以下代码测试

import torch
print(torch.__version__)
print(torch.version.cuda)
print(torch.cuda.is_available())  #输出为True，则安装无误

结果：

这里cu121代表安装的是GPU版本 

在终端里cd 到 yolov5-v5.0目录下 安装requirements.txt文件里的包

cd yolov5-v5.0
pip install -r requirements.txt

4.配置YOLO5—V7.0文件

  修改{ data目录下的voc.yaml，models目录下的yolov5s.yaml  }

（建议复制粘贴一份并重命名，在新建的里面改动）

 （这里的voc.yaml 比v5.0版本多了个下载数据集的功能，并且将目录结构做了改动）

（想使用download的可以在顶部的注释中找到用法）

此处我是自建数据集文件夹所以不做考虑，直接改用自己的目录（也可以直接套用v5.0版本的）。

修改models目录下的yolov5s.yaml 

nc  ： 标签的类别个数

修改主目录下的train.py 文件

weights    填写预训练模型地址，我这里使用的是yolo5s.pt（default填相对路径，help（最好）填绝对路径）（Windows电脑路径需要手动改成 “/ ” ）

cfg        填写models目录下yolov5s.yaml路径

data      填写data目录下的voc.yaml 路径

hyp       超参数，对模型进行一些微调(此处我没做调整，看个人)

epoch    训练的轮数，一般200—300轮即可

batch -size    批次，按自己电脑配置来调

device       选择GPU还是CPU（此处的default不填默认为0调用的是GPU）

完成以上配置后运行train.py文件后运行：

5.报错 ：

(此处CPU调用的可以选择调小batch -size 里的default参数)

解决：

 参考文章：

RuntimeError: DataLoader worker (pid(s) 9528, 8320) exited unexpectedly_dataloader worker (pid(s) 23188, 9620) exited unex-CSDN博客

在utils路径下找到dataloaders.py这个文件

修改num_worker=0

再次运行train.py 成功

完成后在runs\train\exp\weights可以找到best.pt ,last.pt两个训练结果模型

6.使用export文生成.onnx文件

官网给出的export支持转换的文件种类

在主目录下找到export.py文件找到parse_opt函数，修改 

data ，weight，里的数据（default填相对路径，help（最好）填绝对路径）（Windows电脑路径需要手动改成 “/ ” ）

weight   填刚刚生成的best.pt文件路径

修改 include 里的default为 onnx（可以选择help里有的任意类型）

运行export文件（可以看到onnx已经保存起来）

7.使用主目录下的detect文件测试onnx文件

修改  weights为onnx文件的路径， source 为测试的图片路径，data为修改后的voc.yaml路径

运行结果在runs\detect\exp下查看

8.成果：

9.使用 Netron （开源的模型可视化工具）来可视化 ONNX 模型

地址

Netronhttps://netron.app/

大佬文章：

各种参数详解：    手把手带你调参YOLOv5 (v5.0-v7.0)（推理）_yolov5调参-CSDN博客

详细介绍 Yolov5 转 ONNX模型 + 使用ONNX Runtime 的 Python 部署（包含官方文档的介绍）_yolov5转onnx-CSDN博客

【Yolov5】1.认真总结6000字Yolov5保姆级教程（2022.06.28全新版本v6.1）_yolov5教程-CSDN博客

模型部署入门教程（一）：模型部署简介 - 知乎 (zhihu.com)

Yolov5-v5.0 导出onnx推理结果完全错误_tracerwarning: converting a tensor to a python boo-CSDN博客

官方文档地址文件介绍：    Export - Ultralytics YOLOv8 Docs

结语：

本笔记仅仅适合了解怎么用，如果想深入了解还是得看官方文档的。

吧啦吧啦又说了一堆 ​​​，（心里自我安慰都是为了完成任务。）

后面应该会研究一下onnx的部署吧。

吐槽：大一的自己如此忙碌。