准备代码
下载代码:
去githup上下载源代码,下面是具体的yolov5网址
https://github.com/ultralytics/yolov5
配python环境
方法1:按照下载工程中的requirements.txt文件去安装
弊端:下载的将会是最新的包,可能会与项目发布时间所包互不兼容
方法2:按照项目发布时间去安装包
安装python虚拟环境
conda create -n yolov5 python==3.8
进虚拟环境
conda activate yolov5
安装torch、cuda
torch官网历史版本:https://pytorch.org/get-started/previous-versions/
由下图可知,该服务器版本最高可支持cuda版本11.8
选取中间的11.3
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113
测试torch
(yolov5) universe@universe:/data1/student/yolov5-master$ python Python 3.8.0 (default, Nov 6 2019, 21:49:08) [GCC 7.3.0] :: Anaconda, Inc. on linux Type "help", "copyright", "credits" or "license" for more information. >>> import torch >>> torch.cuda.is_available() True
安装opencv
pip install opencv-python==4.1.2.30
其它包
pip install gitpython==3.1.30 pandas==1.1.4 PyYAML==5.3.1 tpdm==4.64.0
源代码调试
官方训练及其结果
训练不同yolov5结果,YOLOv5n/s/m/l/x 在 V100 GPU 上的训练时间为 1/2/4/6/8 天(参数量不同,计算量变多,前向传播求损失函数,反向传播求梯度,然后进行梯度更新)(多 GPU 快几倍)。使用尽可能大的 --batch-size,或为 YOLOv5 AutoBatch 传递 --batch-size -1(显存决定)。显示的 V100-16GB 的批处理大小。
调试自己数据集
运行train.py下载coco数据集
换数据集调试
终端远程输送图片
打开两个终端,分别连上所在的服务器