YOLOV5学习记录

洋森

已于 2024-07-15 10:33:20 修改

阅读量748

点赞数 14

文章标签： YOLO 学习人工智能

于 2024-07-15 10:17:02 首次发布

本文链接：https://blog.csdn.net/qq_42908901/article/details/140289478

版权

前言：

计算机视觉

什么是目标检测？

物体分类和目标检测的区别

目标检测，物体的类别和位置

学习选题，口罩检查，人脸识别

算法原理：知乎，csdn，目前还没到这种程度

大大滴崩溃：重装吧。。

打开要下载YOLO的文件夹，其中路径不能有中文

打开官方github连接

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

复制HTTP项目链接

输入到git进行拉取

git clone https//....

拉取成功

使用pycharm打开项目

查询cuda版本

nvcc -V

此处安装的为12.2的cuda

创建虚拟环境

conda create -n 环境名 python=版本号

conda create -n yolov2 python=3.8

查看是否创建成功

conda info --env

进入虚拟环境

conda activate yolov2

输入命令，下载

pip install ultralytics

直接使用这个后面会出错，最好根据下述链接来

！快速教你解决yolov8没有setup.py的问题_没有setup.py文件-CSDN博客

安装pytorch

官方链接：

PyTorch

选好配置，复制链接

安装yolo

pip install yolo

检查

新建一个est.py文件，加入以下代码并运行

import torch

#查看版本
print(torch.__version__)
#查看GPU是否可用
print(torch.cuda.is_available())
#返回设备GPU个数
print(torch.cuda.device_count())
#查看对应cuda的版本号
print(torch.backends.cudnn.version())
print(torch.version.cuda)
quit()

用命令行启动模型

官方文档：

检测 -Ultralytics YOLO 文档

推理命令：

yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'

推理成功

根据路径找到代码

核心配置文件

文档中下载权重文件，放到根目录下

下载coco128数据集

https://ultralytics.com/assets/coco128.zip

在datasets文件夹中建立coco128文件夹，把下载好的coco128数据集放进去

coco128的格式

images：下面的子文件夹为train2017，存放所有的训练图片

labels：下面的子文件夹为labels2017，存放所有的标注标签

yaml文件

我下的coco128没有yaml，自己新建一个txt文件改名字写内容就好

自己建立数据集

将yolov8.yaml复制到datasets文件夹下

在datasets下新建一个data .yaml

安装labelme：

labelme的安装及使用_labelme安装-CSDN博客

打开labelme：

方法一：Anaconda Prompt里输入labelme

我发现我还没完全安装labelme

但是安装完后直接输入labelme还是不能打开

方法二：Anaconda Prompt里输入python -m labelme，使用python打开

进入labelme虚拟环境

conda activate labelme

使用python打开

python -m labelme

成功打开

方法三：在pycharm里面打开

labelme的使用：

界面

创建文件夹

wzry为自定义数据集名字，其余需一致

images是图片

labels是标签

train用于训练

test用于测试

json转txt

在yolov5-master中创建一个.py文件，代码如下

import json  # 用于解析JSON文件
import os  # 用于与操作系统交互，如文件路径操作

name2id = {'face': 0}  # 标签名称,根据情况更改


def convert(img_size, box):  # 将边界框的像素坐标转换为归一化坐标
    dw = 1. / (img_size[0])  # 输入图像的宽度和高度
    dh = 1. / (img_size[1])
    x = (box[0] + box[2]) / 2.0 - 1  # 输入边界框的坐标（x1, y1, x2, y2）
    y = (box[1] + box[3]) / 2.0 - 1
    w = box[2] - box[0]
    h = box[3] - box[1]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)  # x和y是边界框中心的归一化坐标，w和h是边界框的宽度和高度的归一化值


def decode_json(json_floder_path, json_name):   # json_floder_path包含JSON文件的文件夹路径
    txt_name = 'F:\\YOLOV5\\yolov5-master\\FaceRecognition\\datasets\\labels\\txt' + json_name[0:-5] + '.txt'  # json_name要解析的JSON文件名
    # 存放txt的路径，根据情况更改
    txt_file = open(txt_name, 'w')

    json_path = os.path.join(json_floder_path, json_name)
    data = json.load(open(json_path, 'r', encoding='utf-8'))  # 让中文标签可识别

    img_w = data['imageWidth']
    img_h = data['imageHeight']

    for i in data['shapes']:

        label_name = i['label']
        if (i['shape_type'] == 'rectangle'):
            x1 = int(i['points'][0][0])
            y1 = int(i['points'][0][1])
            x2 = int(i['points'][1][0])
            y2 = int(i['points'][1][1])

            bb = (x1, y1, x2, y2)
            bbox = convert((img_w, img_h), bb)
            txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n')


if __name__ == "__main__":

    json_floder_path = 'F:\\YOLOV5\\yolov5-master\\FaceRecognition\\datasets\\labels\\train'
    # 存放json的文件夹的路径
    json_names = os.listdir(json_floder_path)
    for json_name in json_names:
        decode_json(json_floder_path, json_name)

修改配置文件

coco128.yaml->wzry_parameter.yaml

在yolov5/data/coco128.yaml中先复制一份，粘贴到wzry中，改名为wzry_parameter.yaml（意义为wzry的参数配置）

wzry_parameter.yaml文件需要修改的参数是nc与names。nc是标签名个数，names就是标签的名字

yolov5x.yaml->wzry_model.yaml

在yolov5/models先复制一份yolov5x.yaml至wzry，更名为wzry_model.yaml（意为模型），只将如下的nc修改为训练集种类即可

开始训练train

调参

参数解释：

手把手带你调参YOLOv5 (v5.0-v7.0)（推理）_yolov5调参-CSDN博客

"--weights" # 修改处 初始权重
"--cfg" # 修改处 模型训练文件 default=ROOT / 'wzry/wzry_model.yaml'
"--data" # 修改处 数据集参数文件  default=ROOT / "wzry/wzry_parameter.yaml"
"--hyp" # 超参数设置，是人为设定的参数。包括学习率啥的等等，可不改
"--epochs"# 修改处 训练轮数 default=300 
# 决定了训练时间与训练效果。如果选择训练模型是yolov5x.yaml，
# 那么大约200轮数值就稳定下来了
"--batch-size"# 修改处 batch size default=32 
# 这个要设置地小一些，
# 否则会out of memory。这个决定了我们训练的速度
"--imgsz" # 修改处 图片大小 default=384 ，
# 虽然我们训练集的图片是已经固定下来了，
# 但是传入神经网络时可以resize大小，太大了训练时间会很长，
# 且有可能报错，这个根据自己情况调小一些
"--resume" # 断续训练 如果说在训练过程中意外地中断，
# 那么下一次可以在这里填True，会接着上一次runs/exp继续训练
"--device" # 修改处 选择 填0是电脑默认的CUDA，前提是电脑已经安装了CUDA才能GPU加速训练
"--workers"# 修改处 越大读取数据越快，但是太大了也会报错，因此也要根据自己状况填小

问题一

Dataset not found , missing paths ['D:\\YOLOV5\\yolov5-master\\wzry\\datasets\\images\\train']

脚本无法找到名为 D:\\YOLOV5\\yolov5-master\\wzry\\datasets\\images\\train 的文件夹。

要把新建的文件夹建在'D:\\YOLOV5\\yolov5-master\下面

问题二

Downloading https://ultralytics.com/assets/Arial.Unicode.ttf to C:\Users\shata\AppData\Roaming\Ultralytics\Arial.Unicode.ttf...

urllib.error.HTTPError: HTTP Error 301: The HTTP server returned a redirect error that would lead to an infinite loop.

Arial.ttf下载超时

脚本尝试从 https://ultralytics.com/assets/Arial.Unicode.ttf 下载字体文件，但在这个过程中遇到了一个 HTTP 错误 301，这是一个永久重定向的错误。这通常意味着服务器返回了一个重定向响应，但脚本没有正确处理这个重定向，导致它进入了无限循环。

将Arial.ttf下好，手动放到yolov5根目录下，改名为Arial.Unicode.ttf

链接：Arial.ttf_免费高速下载|百度网盘-分享无限制 (baidu.com)
提取码：oznt

问题三

Downloading https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5x.pt to yolov5x.pt...

无法顺利下载权重文件yolov5x.pt

将yolov5x.pt下好，手动放到yolov5根目录下

链接：yolov5weights.zip_免费高速下载|百度网盘-分享无限制 (baidu.com)
提取码：t845

问题四

OSError: [WinError 1455] 页面文件太小，无法完成操作。

多种方法彻底解决pycharm中: OSError: [WinError 1455] 页面文件太小，无法完成操作的问题_pycharm里面运行中显示页面文件太小-CSDN博客

一般是因为没分配虚拟内存

问题五

train: No labels found in F:\YOLOV5\yolov5-master\FaceRecognition\datasets\labels\train.cache, can not start training.

这意味着在指定的路径F:\YOLOV5\yolov5-master\FaceRecognition\datasets\labels\train.cache下没有找到任何标签（labels），因此无法开始训练过程。

将转换好的txt文件们放到错误提示的文件夹里面

问题六

Traceback (most recent call last): File "F:\YOLOV5\yolov5-master\utils\dataloaders.py", line 29, in <module> from utils.augmentations import ( ModuleNotFoundError: No module named 'utils'

这个错误消息表明在尝试导入一个名为utils的模块时发生了问题。具体来说，错误ModuleNotFoundError: No module named 'utils'表示Python解释器在当前的工作目录或已安装的模块中找不到名为utils的模块。

No module named ‘utils‘，untils库的安装，不是pip和conda指令，特别可以的教程，还有为什么不能的原因，绝对良心。_no module named 'utils-CSDN博客

下面创建了名为xxx的虚拟环境，指定虚拟环境的 Python 版本为3.6：

conda create -n xxx python=3.6

进入名为xxx的虚拟环境：

source activate xxx
# or
conda activate xxx

退出当前虚拟环境：

conda deactivate

删除名为xxx的虚拟环境

conda remove -n xxx --all

查看本地已有哪些虚拟环境：

conda info --env

打开终端Anaconda Prompt输入pip install utils

无效，试一下装这个

pip install python-utils

问题七

UnicodeDecodeError: 'gbk' codec can't decode byte 0x80 in position 234: illegal multibyte sequence

【Python】解决UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0x9A in position xxx: illegal multibyte_unicodedecodeerror: 'gbk' codec can't decode byte -CSDN博客

把 parameter.yaml 里面的注释全删了

洋森

关注

14
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
YOLOV5学习记录

计算机视觉什么是目标检测？物体分类和目标检测的区别目标检测，物体的类别和位置学习选题，口罩检查，人脸识别算法原理：知乎，csdn，目前还没到这种程度。
复制链接

扫一扫