在window系统下跑yolo5【记录+心得】

R三哥哥啊

已于 2024-06-03 00:29:52 修改

阅读量468

点赞数 4

分类专栏： opencv 文章标签： windows

于 2024-05-20 11:09:38 首次发布

本文链接：https://blog.csdn.net/qq_45640207/article/details/139001942

版权

opencv 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

前言
- 训练步骤总结
一、环境安装
二、数据集制作
三、训练模型
四、测试最终训练结果
- - 这里选用开摄像头的方法
  - 如果需要打开视频
总结

前言

【2024/6/3】2号花了一天时间训练了200张图片，搞了个元件检测的数据集合。于是加入了调用检测视频的指令。但是识别视频的过程不能调用出来，我很不满意。

训练步骤总结

总的来说 YOLO安装就是四个步骤
1、环境安装
2、数据集制作
3、训练模型
4、预测图片

一、环境安装

去github下载大佬的文件或者用
git clone xxx
GitHub中文站真的是个好东西啊~！
在这里插入图片描述

查看GPU有没有

查看自己的电脑的电脑是不是支持GPU
（该指令仅适用于 NVIDIA 的GPU）

nvidia-smi

是11.2版本的

在这里插入图片描述
顺便一提，CPU跑起来真的太费劲了，我之前训练的模型，只有20张图片，跑起来CPU直接拉满，时刻担心蓝屏警告 ~ O ~

所以各位，如果可以还是GPU吧！

小步骤
conda安装

首先，在conda创建环境.

conda create -n toyolo2 python==3.9

创建好，进入

conda activate toyolo2

在这里插入图片描述
下载PyTorch

这一步蜜汁步骤就是为了证明，CUDA官网给的版本是要求的最低版本

我这里下载了个CUDA 11.3的

# CUDA 11.3
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch

在这里插入图片描述
显示是错误的，看来列出的版本是最低需求的。

换这个

# CUDA 10.2
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=10.2 -c pytorch

一眨眼的功夫就成功了。
在这里插入图片描述
安装新环境的依赖，就是yolo5-master文件夹下的requirements.txt里面的指令。

pip install -r requirements.txt

可以加镜像

pip install -r requirements.txt -i http://mirrors.ustc.edu.cn/

但是加镜像源有时候会缺少各种包，没事多跑几遍不加镜像的就行了。总之缺少安啥，全部装完就行了。
在这里插入图片描述

预测图片

python detect.py --source ./data/images/bus.jpg

在这里插入图片描述

正常！

改变赛道，安装GPU版本

在这里插入图片描述
------2024/5/28更新，当然不行啦
因为我的GPU环境都没有激活。

# 首先进入环境
验证 PyTorch是否安装成功
打开Anaconda prompt命令窗口，激活环境，输入python，进入python开发环境中
>> import torch

>> torch.cuda.is_available()

# 如果安装成功
>> True

在这里插入图片描述
我这里查看是没有安装各种环境的【就是CUDA+CUdnn之类的】
完整指令

import torch
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.cuda.device_count())

太不容易了，终于把GPU版本的环境配置好了。花了一天时间专门配置环境。

主要参考还是B站安装的环境的阿胎教版本老师QAQ
但是这个老师有一个做法很迷惑，也不能这么说，就是太麻烦了。他的CUDA安装到后面建立了好几个文件夹，这种就需要自己修改环境变量了。（没错，鄙人卡死过一段时间）
后面我的解决办法就是，不修改地址了，就安装在默认地址，他就会自动识别出来环境变量。最多要做的就是按照，在不成功的情况下，再按照别的博主推荐的办法添加环境变量。

如果被环境变量卡，就看这个博文＝＝》YOLOV8从环境部署（GPU版本）到模型训练——专为小白设计一看就懂
在这里插入图片描述

这篇博文我觉得非常可以==》yolov5，如何使用CPU/GPU运行——安装环境及依赖（详细，简单易懂）

－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－

我总结一下安装GPU版本的步骤：
1、首先检查自己的电脑是否支持
2、安装CUDA（对照自己的版本）
3、安装CUdnn（这个一定要登入才能下载，不然就是撞墙！！！我之前博文的时候，好多博主都有说，但我直接无视了。卡壳好久！！！！！！！）
4、安装pytorch，这个我也说不准，因为我的CUDA是很罕见的11.2，所以意味着我最高标准是11.1（因为没有11.2），但是我11.1安装不上，于是试了好几个再11.0吧安装成功了。
－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－

于是就按照网上的博文继续安装咯
YOLOv5 gpu 训练自定义模型训练

CUDA安装

在这里插入图片描述

安装结束的画面。

二、数据集制作

标注数据，labelimg标注
在这里插入图片描述
创建目标文件夹

分类好，如果需要标签和图片分开，你的yaml文件就需要重新加点东西！！！！！！！

进行标注（又回到赛博民工的日子了）
在这里插入图片描述
注意是这个格式

最终在label文件夹下会生成这些信息
在这里插入图片描述
classes会展示你的标注信息

在代码中指定数据集路径

修改后

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:/yolov5-master/data/smile  # dataset root dir
train: images/train  # train images (relative to 'path')
val: images/val  # val images (relative to 'path')
test:  # test images (optional)
# Add this line to specify the directory of your label files
labels: labels  # label files directory (relative to 'path')

# Classes
nc: 2  # number of classes
names: ['happy', 'sad']  # class names

三、训练模型

在这里插入图片描述
暂时不使用修改源代码的方法，用指令传参数。

python train.py --weights yolov5s.pt --data data/smile/smile.yaml --workers 4 --batch-size 20 --epochs 100

多bb一句，我之前因为smile打错成simle错了好久！！！！！！！！！！

GPU

python train.py --weights yolov5s.pt --data data/smile/smile.yaml --workers 4 --batch-size 20 --epochs 100 --device 0

好像差不多，cpu爆哭
在这里插入图片描述

四、测试最终训练结果

这里选用开摄像头的方法

python detect.py --weights runs/train/exp/weights/best.pt --source 0

如果需要打开视频

python detect.py --weights runs/train/exp/weights/best.pt --source D:/yolov5-master/data/Polarity/test/test.mp4

这条指令会在后台执行，默默的识别完保存。

我觉得我的训练结果一般QAQ，可能30张图片还是太少了。
这么说，确实太少了
取得最佳训练效果的技巧
在这里插入图片描述

总结

这篇文章依旧没有总结