YOLOV5环境搭建及框架详解

目录

Pytorch 环境搭建

使用conda命令行创建虚拟环境

查看本机硬件配置

YOLOV5项目

项目下载地址

项目环境搭建

运行detect.py文件

常见报错解决方法

参数设置及模型训练

detect.py 参数设置

train.py 参数设置

本地训练

云端训练

自制数据集及训练

标注数据集

整理文件夹

训练数据集

验证结果

结果可视化

---

Pytorch 环境搭建

使用conda命令行创建虚拟环境

# 查看环境
conda env list 
# 创建环境
conda create -n 名字 python=版本
# 添加通道
conda config --add channels 通道地址
# 镜像加速
conda create -n 名字 python=版本 -c 镜像地址
# 镜像地址
清华：https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
北京外国语：https://mirrors.bfsu.edu.cn/anaconda/pkgs/main
阿里巴巴：http://mirrirs.aliyun.com/anaconda/pkgs/main
# 查看通道
conda config --get
# 删除环境
conda remove -n 名字 --all

查看本机硬件配置

• 显卡型号：MX450 （官网：人工智能计算领域的领导者 | NVIDIA）
• 显卡算力：7.5 （ https://en.wikipedia.org/wiki/CUDA#GPUs_supported ）  
• CUDA Runtime ：更新驱动，确定自己的驱动版本 CUDA Driver Version：12.3

【命令行窗口输入 nvidia-smi即可查看】

• 最终确定使用CUDA版本

• 下载 pytorch 12.1 （官网：PyTorch）

  conda activate 环境名称
  pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

•  验证pytorch是否安装成功

  conda activate 环境名称
  conda list (看看有没有pytorch或者torch)
  输入python
  输入import torch
  输入torch.cuda.is_available()
  #如果显示True，说明安装成功

  YOLOV5项目

• 项目下载地址

  • GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

• 项目环境搭建

  • 在Pycharm中选择刚刚创建的pytorch虚拟环境下的Python编译器
  •  打开命令行，激活pytorch环境

conda activate 环境名称
pip install -r requirements.txt

• 运行detect.py文件

                

• 常见报错解决方法

 问题1：AttributeError: Can‘t get attribute ‘SPPF‘ on ＜module ‘models.common‘ from ‘地址

1.在 common.py 文件中添加SPPF类

class SPPF(nn.Module):
    # Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher
    def __init__(self, c1, c2, k=5):  # equivalent to SPP(k=(5, 9, 13))
        super().__init__()
        c_ = c1 // 2  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_ * 4, c2, 1, 1)
        self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)

    def forward(self, x):
        x = self.cv1(x)
        with warnings.catch_warnings():
            warnings.simplefilter('ignore')  # suppress torch 1.9.0 max_pool2d() warning
            y1 = self.m(x)
            y2 = self.m(y1)
            return self.cv2(torch.cat([x, y1, y2, self.m(y2)], 1))

2.重新下载模型yolov5s.pt ，替换原来的文件

3.路径改为全英路径，不能有中文

问题2：训练完成后不显示检测标注

在 detect.py 主函数中添加代码：cudnn.benchmark=True

参数设置及模型训练

detect.py 参数设置

--weights：选择模型，默认yolov5s.pt
--source：选择文件路径
--img-size：选择图片尺寸，根据模型要求调整
--conf-thres：置信度，默认0.25
--iou-thres：IOU阈值（交/并），默认0.45
--device：设备，默认是CPU

action参数：设置方法如下

-view-img：是否实时显示检测结果，设置action参数则为True，或者在终端、或者如下图
--save-txt：是否保存为txt
--save-conf：是否保存置信度
--nosave：不要保存图片、视频
--classes：检测类别，nargs='+'代表检测多个类别。如果只想检测“人”，可设置--class 0
--agnostic-nms：增强nms检测
--augment：增强
--project：结果保存的路径
--name：文件夹名字
--exist-ok：不同批次训练的结果是否放在同一文件夹下

train.py 参数设置

--weights：训练模型
--cfg：设置模型 models-yolov5s.yaml
--data：设置数据集 data-coco128.yaml
--hyp：超参数
--epochs：训练轮数
--batch-size：多少个数据打包成一个batch进行训练
--img-size：设置图片大小
--rect：矩阵训练方式
--resume：是否在模型基础上进行训练
--nosave：是否只保存最后一次训练的数据
--notest：是否只对最后一个epoch进行测试
--noautoanchor：是否取消采用锚点
--evolve：是否对超参数进行遗传算法
--cache-images：是否对图片进行缓存
--image-weights：对训练过程中不太好的数据加权重
--device：设备
--multi-scale：对图片尺寸进行变换
--single-cls：设置数据集是单、多类别
--adam：是否使用优化器
带有DDP的参数不要改动
--project：存放结果的文件夹路径
--name：结果的文件夹名
--linear-lr：学习速率
--label-smoothing：防止过拟合

本地训练

--workers：设置为0，不宜太大

• 常见报错解决方法

问题1：wandb报错

解决：wandb.errors.UsageError: api_key not configured (no-tty). call wandb.login(key=[your_api__学习那点事的博客-CSDN博客

问题2： numpy版本问题

【已解决】AttributeError: module ‘numpy‘ has no attribute ‘int‘._AI浩的博客-CSDN博客

PackagesNotFoundError: The following packages are not available from current channels的解决办法-CSDN博客

环境要求：numpy>=1.18.5
解决报错：安装 1.20 以下的版本
conda uninstall numpy
pip install numpy==1.19.5
或者
conda install -c cctbx202105 numpy
或者在conda官网 https://anaconda.org/

问题3：RuntimeError: result type Float can't be cast to the desired output type __i

知识经验分享——YOLOv5-6.0训练出错及解决方法（RuntimeError） - 知乎

云端训练

1.打开google colab（colab.google），设置为GPU

2.打包压缩项目文件夹，注意是.zip格式，上传至云端

3.解压

# 解压文件
!unzip /content/yolov5-5.0.zip -d /content/yolov5

# 删除文件
!rm -rf 路径

# 进入文件夹
%cd 路径

# 安装环境
!pip install -r requirements.txt

# 添加插件
%load_ext tensorboard
%tensorboard --logdir-runs/train

# 运行train.py进行训练
!python train.py --rect  

# 下载best.pt在detect.py中进行测试，将--weights的default改为best.pt，查看测试结果

自制数据集及训练

1.自己获得数据集–人工标注/半人工标注

2.使用仿真数据集（GAN网络生成：搜索 synthetic data object detection github）

标注数据集

标注工具：Make Sense

整理文件夹

 新建mydata文件夹，删除前面下载数据集部分，更改train val路径、nc类别数量、调整name类别名称及顺序 。

训练数据集

更改train.py文件中 - -data路径，运行代码

路径报错：将路径改为绝对地址，注意路径的正确！

验证结果

将detect.py文件- -weights参数改为训练好的best.py文件路径，- -source参数改为train文件夹路径，运行代码

结果可视化

Weights & Biases

​

 更多关于YOLOV5的框架详解：

YOLOv5网络详解_yolov5网络结构详解-CSDN博客

【pytorch】目标检测：新手也能彻底搞懂的YOLOv5详解 - 知乎

YOLOv5网络模型的结构原理讲解（全）

文章参考视频：目标检测 YOLOv5 开源代码项目调试与讲解实战【土堆 x 布尔艺数】_哔哩哔哩_bilibili