基于30系显卡以及Ubuntu18.04系统的YOLOv3环境搭建和训练模型以及测试
安装环境
下面是官网对N卡框架以及驱动和cuda版本的部分对应关系
驱动
(可以跳过这段安装,你可以在安装CUDA的时候,他会自动推荐版本)
最简单直接 的办法就是进入软件和更新 进入附加驱动选择驱动安装
#查看自己可以装的显卡驱动
nvidia-smi
#也可以执行以下命令,安装推荐的nvidia驱动版本————————这是第二种,大家可以选择
sudo ubuntu-drivers autoinstall
cuda(显卡30系不兼容11版本以下)
安装之前先看看自己驱动和cuda版本对应(这个是最基础的,很重要!!!)
我自己的是cuda11.5和N卡驱动495。(你可以参考一下)
>>>>>cuda下载官网<<<<<
在官网上选择好版本选择runfile 在终端执行第一条语句
下载完成后,到下载文件所在路径执行第二条语句
然后一直enter…
因为之前安装过驱动,所以安装cuda时候要把驱动安装取消
在终端检测cuda是否安装成功:nvcc -V
出现cuda版本就表示成功了
cudnn
NVIDIA cudnn是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中简单的插入式设计可以让开发人员专注于设计和实现神经网络模型,而不是简单调整性能,同时还可以在GPU上实现高性能现代并行计算。
cuDNN是基于CUDA的深度学习GPU加速库,有了它才能在GPU上完成深度学习的计算。想要在CUDA上运行深度神经网络,就要安装cuDNN,这样才能使GPU进行深度神经网络的工作,工作速度相较CPU快很多。
CUDNN不会对CUDA造成影响
装了cudnn的cuda会比没有cudnn的cuda快上50%左右
anaconda环境
创建pytorch环境
opencv
pip
conda
pytorch(要求cuda和显卡驱动的版本严格对应)
下面是官网安装(附上:pytorch官网)
如果版本不对应,可以选择更多版本:
https://pytorch.org/get-started/previous-versions/
进入pytorch环境,输入官网提供的指令
训练
收集照片
爬虫
上网自己学一学,自己搞一搞。
脚本我就不附上了。
拍照(多角度拍照)-------可根据比赛需要进行单一训练(效率更高,弊端是只能用于比赛)
脚本附上:
# _*_coding:utf-8_*_
import cv2
import time
if __name__ == '__main__':
i = 0
cap = cv2.VideoCapture(0)
while (1):
ret, frame = cap.read()
cv2.imshow("capture", frame)
k = cv2.waitKey(0)
if k == ord('s'):
cv2.imwrite('路径'(举个栗子 :'D:/data/') + str(i) + '.jpg', frame)
i += 1
elif k == ord("q"):
break
cap.release()
cv2.destroyAllWindows()
标注数据集
labelimg(windows更加简单)
处理数据集(脚本)
修改cfg文件或者其他必要文件
voc.names
voc.data
yolov3-tiny.cfg
训练预训练模型
改参数
训练模型(菜就多练)
检测
图片检测
c
python
coco.names(可以不修改)
实时检测