Windows系统AMD显卡训练Yolov5模型方法

苦水

当我发现AMD显卡没法给yolov5模型加速的时候，我训练一个模型要15天的时候，我原地爆炸，还好我不是一个轻易放弃的人，费尽心力的找到一个稍微优秀点的法子。提前说明可能会花点小钱，10块到20块左右，但是速度要比用CPU炼丹好的多。不多说直接开整

一、Pytorch与“Windows系统和AMD显卡”的爱恨情仇

既然大家能通过网上的内容找到Yolov5的几个关键词Pytorch，操作系统，GPU（显卡内的部件）从而跳转到我这篇文章一定是废了些苦功的了解了一些梗概的。所有我就简单的概括一下为什么windows系统的AMD显卡训练Yolov5这么困难。

Yolov?(这个系列比较多后面的数字我就用？来代替，后面主讲Yolov5我就直接用Yolov5)这个系列是基于Pytorch这个第三方库开发的，要使用yYolov5，就没办法绕开Pytorch，悲催的来了看下图 ：

我来解释一下第一行是Pytorch的版本类型稳定版（Stable）和夜间版（Preview (Nightly)）,第二行是指操作系统，第三行是指环境，第四行指的是语言，第四行就是指代你的显卡类型。

CUDA系列需要的NVDIA的显卡就是硬件上的，也就是说电脑显卡是AMD就无法使用，ROCm是AMD显卡的补丁让AMD用户也能训练模型，但是很显然对Windows用户很不友好。可供选择的就是CPU炼丹，但是这个耗时不是一般的长。

当然如果后续可以更新Windows的Rocm咱们就可以在自己电脑上炼丹了，关注我后续更新的话，我再出一个新教程

二、柳暗花明又一村

上面的讲述就已经很明显了，我们在Windows系统AMD显卡的电脑上炼丹耗时很久，但是我们可以在别人电脑上炼丹，不是说去抢一台电脑，而是我们可以去租云服务器😏，这就是我所说可能要花点小钱的原因。
下面是我找到能按小时租的一个平台：AutoDL算力云 | 弹性、好用、省钱。租GPU就上AutoDL
一个小时1块钱到2块钱 

开搞

租借的服务器可以直接设置环境十分的方便，设置步骤如下：

点击立即创建创建完成

登录指令复制后长这样：ssh -p 20404 root@connect.cqa1.seetacloud.com
这里我们的端口号：20404
主机号：connect.cqa1.seetacloud.com
用户名：root
密码:直接复制即可

租界好服务器登录之后，第一步先进入数据盘中，启动Minconda,并验证是否安装成功。（前在租借服务器的时候就已经创建好了环境，我们只需要激活就可以了）

cd /root/autodl-tmp
source ~/miniconda3/bin/activate
conda --version

创建python环境

conda create -n yolov5 python=3.8

启动环境

conda activate yolov5

安装PyTorch

注意：这里可以根据官网来选择自己适合的版本：Start Locally | PyTorch

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

获取Yolov5项目,并且进入项目

git clone https://gitcode.com/gh_mirrors/yo/yolov5.git
cd yolov5

更新pip，安装yolov5对应版本的第三方库

pip3 install --upgrade pip
pip install --default-timeout=300 -r requirements.txt

获取yolov5s.pt模型权重

wget https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt

测试是否成功

python detect.py

出现上面的内容就算是成功了，可以开始训练自己的模型

上传我们的数据集，为了方便这里使用WinSCP来传输数据，很简单只需要在左侧的本地找到要传输的文件，拖动在右侧服务器的/root/autodl-tmp/yolov5（你的项目路径）

WinSCP的下载地址：WinSCP :: Official Site :: Download

配置.yaml文件

上面这张图片是我在pycharm上创建的.yaml文件然后再上传到服务器，当然你也可以直接

vim dataset.yaml

i进入编辑模式编写图片里的内容注意要换成自己的数据集路径，和相关内容，完成后:wq保存退出

开始模型训练

python train.py --img 640 --batch 16 --epochs 300 --data dataset.yaml --weights yolov5s.pt

我的数据集比较庞大有2.3G,一轮3分钟左右，一共100轮，预测时间在5个小时以内，最终用时4个小时，这个速度我很满意，因为我自己的电脑训练预测时间要15天，嗯十五天......

ok，希望大家都能训练好自己的模型，拜拜~