直接看PDF文件,图片不能复制
链接: https://pan.baidu.com/s/1YC5MySu3SOF7yAzfyMr6CA?pwd=mami 提取码: mami
--来自百度网盘超级会员v6的分享
--来自百度网盘超级会员v6的分享
YOLOv5
训练
PASCAL VOC
数据集
课程演示环境:
Windows10
1
安装
Nvidia
显卡驱动、
CUDA
和
cuDNN
1)
下载和安装
nvidia
显卡驱动
首先要在设备管理器中查看你的显卡型号,比如在这里可以看到我的显卡型号为
Titan XP
。
NVIDIA
驱动下载:
https://www.nvidia.cn/Download/index.aspx?lang=cn
下载对应你的英伟达显卡驱动。
下载之后就是简单的下一步直到完成。
完成之后,在
cmd
中输入执行:
如果有错误:
'nvidia-smi'
不是内部或外部命令,也不是可运行的程序 或批处理文件。
把
C:\Program Files\NVIDIA Corporation\NVSMI
添加到环境变量的
path
中。再重新打开
cmd
窗口。
如果输出下图所示的显卡信息,说明你的驱动安装成功。
2)
下载
CUDA
本人安装的是
CUDA
的
10.2
版本
cuda
下载链接
:
https://developer.nvidia.com/cuda-downloads?
target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal
nvidia-smi
下载后得到文件:
cuda_10.2.89_441.22_win10.exe
3)
下载
cuDNN
cudnn
下载地址
:
https://developer.nvidia.com/cudnn
需要有账号
下载后得到文件:
cudnn-10.2-windows10-x64-v7.6.5.32.zip
4)
安装
cuda
(1)
将
cuda
运行安装,建议默认路径
安装时可以勾选
Visual Studio Integration
(2)
安装完成后设置环境变量
计算机上点右键,打开属性
->
高级系统设置
->
环境变量,可以看到系统中多了
CUDA_PATH
和
CUDA_PATH_V10_2
两个环境变量。
接下来,还要
在系统中添加以下几个环境变量:
这是
默认安装位置的路径
: C:\ProgramData\NVIDIA
Corporation\CUDA Samples\v10.2
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2 CUDA_LIB_PATH =
%CUDA_PATH%\lib\x64 CUDA_BIN_PATH = %CUDA_PATH%\bin CUDA_SDK_BIN_PATH =
%CUDA_SDK_PATH%\bin\win64 CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64
在系统变量
Path
的末尾添加:
%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;
再添加如下
5
条
(默认安装路径):
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64 C:\Program Files\NVIDIA
GPU Computing Toolkit\CUDA\v10.2\include C:\Program Files\NVIDIA GPU Computing
Toolkit\CUDA\v10.2\extras\CUPTI\lib64 C:\ProgramData\NVIDIA Corporation\CUDA
Samples\v10.2\bin\win64 C:\ProgramData\NVIDIA Corporation\CUDA
Samples\v10.2\common\lib\x64
5)
安装
cuDNN
复制
cudnn
文件
对于
cudnn
直接将其解开压缩包,然后需要
将
bin,include,lib
中的文件复制粘贴到
cuda
的文件夹下
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2
6
)
CUDA
安装测试
最后测试
cuda
是否配置成功:
打开
CMD
执行:
即可看到
cuda
的信息
nvcc -V
2
安装
Anaconda
和
PyTorch
1)
安装
Anaconda
Anaconda
是一个用于科学计算的
Python
发行版,支持
Linux, Mac, Windows,
包含了众多流行的科学
计算、数据分析的
Python
包。
1)
下载安装包
Anaconda
下载
Windows
版:
https://www.anaconda.com/products/individual
2)
然后安装
anaconda
3)
添加
Aanaconda
国内镜像配置
清华
TUNA
提供了
Anaconda
仓库的镜像,运行以下命令
:
2
)安装
pytorch
更新:如果使用
yolov5
版本
v4.0
以上的代码,
pytorch1.6
改为
pytorch1.7
创建虚拟环境,环境名字可自己确定,这里使用
yolov5
作为环境名
:
安装成功后激活
yolov5
环境:
在所创建的环境下安装
pytorch
的
1.7
以上版本
,
执行命令:
注意:
10.2
处应为自己电脑上的
cuda
版本号
离线安装:
conda config --add channels
https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels
https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
conda create -n yolov5 python=3.8
conda activate yolov5
conda install pytorch torchvision cudatoolkit=10.2 -c pytorch
下载网址
:
https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/
安装
pytorch1.7
更新为
版本
: pytorch-1.7.1-py3.8_cuda102_cudnn7_0.tar.bz2
3 yolov5
项目克隆和安装
1
) 克隆
yolov5
项目
安装
Git
软件(
https://git-scm.com/downloads
),克隆项目到本地(如
d:
)
或
手动下载
yolov5
源码
v4.0:
https://github.com/ultralytics/yolov5/releases/tag/v4.0
2
) 安装所需库
使用清华镜像源:
在
yolov5
路径下执行:
注意:
simple
不能少
,
是
https
而不是
http
3
) 下载预训练权重文件
下载
yolov5s.pt
,
yolov5m.pt
,
yolov5l.pt
,
yolov5x.pt
权重文件,并放置在
weights
文件夹下
百度网盘下载链接
:
链接:
https://pan.baidu.com/s/1RztRLwk3Dye9qkmXxG40JA
提取码:
e2q0
更新:如果使用
yolov5
版本
v4.0
以上的代码,下载相应的权重
4
) 安装测试
测试图片:
在
yolov5
路径下执行
更新
:
4
准备数据集
conda install --offline pytorch-1.7.1-py3.8_cuda102_cudnn7_0.tar.bz2
git clone https://github.com/ultralytics/yolov5.git
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
python detect.py --source ./inference/images/ --weights weights/yolov5s.pt --
conf 0.4
python detect.py --source ./data/images/ --weights weights/yolov5s.pt --conf 0.4
1)
下载项目文件:
从百度网盘下载到
yolov5
目录下并解压
VOCtrainval_06-Nov-2007.tar
VOCtrainval_11-May-2012.tar
VOCtest_06-Nov-2007.tar
get_voc_windows.py
2
)生成训练集和验证集文件
执行
python
脚本:
在
VOCdevkit / VOC2007
和
VOCdevkit / VOC2012
目录下可以看到生成了文件夹
labels
;在
VOC
目录下
生成了
images
和
labels
文件夹;
在
yolov5
目录下生成了文件
2007_train.txt, 2007_val.txt, 2007_test.txt, 2012_train.txt,
2012_val.txt,train.txt, train.all.txt
。
labels
下的文件是
JPEGImages
文件夹下每一个图像的
yolo
格式的标注文件,这是由
annotations
的
xml
标注文件转换来的
train.txt
和
2007_test.txt
分别给出了训练集图片和验证集图片的列表,含有每个图片的路径和文件
名。
VOC/images
文件夹下有
train
和
val
文件夹,分别放置训练集和验证集图片;
VOC/labels
文件夹有
train
和
val
文件夹,分别放置训练集和验证集标签(
yolo
格式)。
5
修改配置文件
1)
新建文件
data/voc-new.yaml
可以复制
data/voc.yaml
再根据自己情况的修改;可以重新命名如:
data/voc-new.yaml
然后修改配置参数
2)
新建文件
models/yolov5s-voc.yaml
可以复制
models/yolov5s.yaml
再根据自己情况的修改;可以重新命名如:
models/yolov5s-voc.yaml
然后修改配置参数
6
训练自己的数据集
1)
训练命令
python get_voc_windows.py
# download command/URL (optional)
#download: bash data/scripts/get_voc.sh
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or
3) list: [path1/images/, path2/images/]
train
:
VOC/images/train/
# 16551 images
val
:
VOC/images/val/
# 4952 images
# parameters
nc
:
20
# number of classes
在
yolov5
路径下执行
2)
训练过程可视化:
在
yolov5
路径下执行
7
测试训练出的网络模型
1)
测试图片
在
yolov5
路径下执行
更新
:
2
)性能统计
在
yolov5
路径下执行
更新
:
8
导出
ONNX
文件
python train.py --data data/voc-new.yaml --cfg models/yolov5s-voc.yaml --weights
weights/yolov5s.pt --batch-size 16 --epochs 200
tensorboard --logdir=./runs
python detect
.
py
--
source
.
/
VOC
/
images
/
val
/
000001.j
pg
--
weights
runs
/
exp0
/
weights
/
best
.
pt
--
conf
0.4
python detect.py --source ./VOC/images/val/000001.jpg --weights
runs/train/exp/weights/best.pt --conf 0.4
python test.py --data data/voc-new.yaml --weights runs/exp0/weights/best.pt --
batch-size 16
python test.py --data data/voc-new.yaml --weights
runs/train/exp/weights/best.pt --batch-size 16
pip install onnx>=1.7.0 -i https://pypi.tuna.tsinghua.edu.cn/simple # for ONNX
export
pip install coremltools==4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple # for
CoreML export
python models/export.py --weights weights/yolov5s.pt --img 640 --batch 1 #
export at 640x640 with batch size 1