深度学习番外——Yolov5服务器环境搭建

1 服务器搭建yolov5环境

1.1 创建环境

首先先的在本地环境下搭建一个我们的环境，名字设为yolo5-6

conda create -n yolov5-6 python=3.7#创建环境
conda activate yolov5-6#切换yolov5-6环境

创建包完成后，我们需要查看conda环境下是否有我们刚才创建的环境，通过以下的指令可以查看所有的环境。

conda env list

通过以下指令可以查看服务器的cuda版本。

nvidia-smi

1.2 跟随官方指引

根据官方的说法快速入门 - YOLOv5 文档 (ultralytics.com)，我们最开始需要克隆存储库。但是这样做会很慢，因为服务器连接到github容易断连，故我们可以提前把库下载下来并且解压，然后上传到服务器上。

上传文件

对于连接服务器的学者来说，很多人喜欢用Xshell，但是实际上，finalshell更适合用来服务器的传输文件工作。所以下载finalshell可以很方便的去上传文件。

通常来说，下载后的文件应该是这个名字。

当我们上传到服务器的时候，我们需要进入cd定位到yolov5-master这个文件夹中，通过ls查看是否有requirements.txt这个文件。如果没有，无论是可视化还是非可视化，你都必须把cd定位到包含有这个文件的文件夹下。

据官方所说，我们要从克隆的存储库目录安装所需的软件包。但是如果是使用外国的pip，下载速度会满到离谱，故我们使用清华园进行下载。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt -r requirements.txtLooking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple

下载完成。

使用以下指令让我们看下yolo需要运行的包是否已经装好。

pip list

明显，已经装好了。

2 下载预训练权重

一般为了缩短网络的训练时间，并达到更好的精度，我们一般加载预训练权重进行网络的训练。而yolov5的5.0版本给我们提供了几个预训练权重，我们可以对应我们不同的需求选择不同的版本的预训练权重。预训练权重越大，训练出来的精度就会相对来说越高，但是其检测的速度就会越慢。

点击下面的链接即可进入预训练模型的下载。要拉到最下面哦。

GitHub - ultralytics/yolov5 at v6.1

需要注意的是，在执行前几步操作的时候，实际上已经自带yolov5s了权重文件(.pt)和一些其他模型配置文件了(.yaml)。

需要注意的是，大、并不代表你就跑得动，如果你是实验室级别的，那么欢迎你下载那个最好用的，但是如果是学校服务器这类的，那么5s相信已经足够你用了【虽然速度最快，效果最拉胯】，因为在跑模型的时候是需要充分考虑显卡的显存的。

3 推理

接下来我们需要下载yolov5的模型。在这一步中无法加速了，只能等了。

任意新建一个.py文件，然后写入如下的代码，在终端运行。

import torch

# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5m, yolov5l, yolov5x, custom

# Images
img = 'https://ultralytics.com/images/zidane.jpg'  # or file, Path, PIL, OpenCV, numpy, list

# Inference
results = model(img)

# Results
results.print()  # or .show(), .save(), .crop(), .pandas(), etc.

通过finalshell将该文件传入服务器，然后使用指令启动它。

python Test02.py

4 测试

–source表示测试数据，–project指定保存路径，–weights指定测试模型。我们使用yolov5master文件夹中官方自带的测试文件来测试一下yolov5s模型是否可用。

在shell命令窗口输入以下指令：

python detect.py --source data/images/zidane.jpg --weights v5_pre_models/yolov5s.pt --project out --img-size 640