研究生深度学习零基础初步实战教程

目录

0.写在前面

1.autodl演示yolov5实战

1.创建实例

2.进入实操界面

3.直接开始

2.后续需要做的事情

---

0.写在前面

所有深度学习的同学，我都强烈建议在云服务器上进行实验，因为本地显卡即使是台式机的显卡3060也才12G显存其实12G够用了一般（注意这里是GPU显卡显存，不是电脑的内存）笔记本的3060残血才6G显存。并且大多数新手包括我都卡在了anaconda环境安装，pytorch环境安装上，这个东西很难。但是云服务器上配置十分简单快捷，最少不会占用本地的磁盘内存或者是弄乱本地的环境变量。

远程服务器还有一个好处，就是学习一些linux命令，pycharm、vscode远程连接服务器，从服务器上拉取项目，本地调试完了再传上去。更高级的就是本地编辑器调用服务器的显卡资源进行运行（毕竟笔记本的显卡太差甚至好多轻薄本没有显卡）甚至autodl（强烈推荐）直接就可以在远程服务器上运行调试更改，有的大模型大数据需要一整天的实验，你笔记本关机睡觉，服务器依旧远程跑着。

1.autodl演示yolov5实战

autodl网址autodl登录网址：autodl网址

每一个新机子（也就是实例都是独立的，你怎么鼓捣不影响其他实例），不用了千万记得关机，可以设置微信和账号同号。

1.创建实例

第一步找到算力市场

第二步选择一个地区的一块卡，一般入门阶段显存12G就够用了，不用选择更贵的显卡资源。

 第三步直接在社区镜像这里输入yolov5

2.进入实操界面

所需要的东西在yolov5里面，右侧有一个终端 点击进入下面这个界面

接下来每一步都可以使用另外一块屏幕（手机或者平板对照观看下面这个教程链接，会通畅很多）

yolov5保姆级教程

别慌 这个就和自己电脑的cmd一样 命令都是通用的

输入

cd yolov5

进入该文件夹

然后检查一下安装依赖文件，因为深度学习的运行依靠各种例如numpy的包（我已经安装完了） 

yolov5需要预训练权重 我只是截图一下说明这个支持本地文件拖拽就上传了，但是文件夹不行，autodl支持filezilla文件进行连接上传本地文件夹，或者百度网盘上传，详细autodl参考帮助文档中的文件上传。

另外一种方式就是git github账号没有的现在就去注册，学代码的不用github就像厨师做饭不用盐一样严重，下方我会放一个我本人关于怎么使用git上传下载的博客。

git使用

所有图片我都手动标注完了，关于自制数据集怎么标注，我后续再写教程，这不重要（因为想要说你这个模型训练的结果有说服力，还是要开源数据集，比如coco，因为太多人先把鞋子（也就是模型）做出来了，再去根据自己的鞋子找脚（数据集），如果数据集不合鞋子就砍掉几个脚指头（数据集中的某些图片）来让鞋子很合脚。这种是不合理的。开源数据集都会有现成的标注的。

数据集划分在catdog里面，然后配置文件（也就是输入到深度学习模型中，模型读取该文件才知道图片在哪里，该配置文件就这个作用）

接下来就是配置训练网络，直接使用yolov5官方的yolov5s.yaml，在model文件夹，我选择复制一份重命名，nc改为2就行，其他啥也不动（强烈建议以后所有的科研文件都这么做，想改原始文件就复制一份再更改）

没啦，就这些，入门就是要简单易懂

回到咱们终端，终端目前应该还是这样的

输入 

python train.py --data data/catdog.yaml --cfg models/catdog.yaml --weights weights/yolov5s.pt --batch-size 16 --epochs 50 --workers 4 --name yanshi1

 多牛逼啊 十分钟你就入门开始进行第一次深度学习的训练了，趁着模型跑着，我挨个简单解释一下，其实你直接python train.py也行，后面其实就是在输入实验的参数

weights：是我们训练的初始权重的位置，是以.pt结尾的文件，第一次训练用别人已经训练出来的权重。可能有朋友会想，自己训练的数据集和别人训练的数据集不一样，怎么能通用呢？实际上他们是通用的，后面训练会调整过来。而如果不填已有权重，那么训练效果可能会不好；

cfg：训练模型文件，在本项目中对应model中的catdog.yaml；

data：数据集参数文件 在本项目中对应data文件夹中的catdog.yaml；

batch-size：批量处理文件数，也就是一次性显存处理图片的数量，必须是1，2,4,8,16的2的指数，这一步十分吃显存，但是咱们云服务器不怕，显卡牛逼。

epochs：训练轮次，一般根据数据集大小决定，多训练就拟合的更好，但是太多了也会过拟合（拟合过拟合这不重要，后面再学，现在就知道是啥就行）

然后实验训练完毕结果图如下图所示

训练结束了

3.直接开始

python train.py --data data/catdog.yaml --cfg models/catdog.yaml --weights weights/yolov5s.pt --batch-size 4 --epochs 50 --workers 4 --name yanshi2

然后你也可以看到训练结果啦

结果在runs的文件夹中，你name的什么就去什么的文件夹里面看结果

训练结束了该怎么检测呢？输入下面这个语句

python detect.py --source test/ --weights runs/train/yanshi1/weights/best.pt

记得要加上你刚才训练得到的权重文件，才是你刚刚训练的模型，路径要用对

这个是检测文件夹中的四个图片，也可以检测单张图片，检测完毕的结果在runs文件夹的detect文件夹中

2.后续需要做的事情

大功告成，上面的检测很low，你还不知道怎么改进模型，添加注意力机制、替换卷积不知道怎么改模型中的函数，不知道怎么使用开源数据集，不知道怎么输出更多指标，不知道怎么把它部署在开发板上实现.....

当你知道这些原理并在开源数据集上实现这些，也就可以达到发一篇ei水平了

下面的教程请大家参考

B站视频 yolo检测口罩

yolov5一行行代码讲解

唐博士yolov5原理讲解