AutoDL训练YOLOV5

主要介绍租用AutoDL平台，训练YOLOV5。

1. 注册AutoDL平台

网站：https://www.autodl.com/home
给出几张图自行研究注册（简单）

租用完，如下图

JupyterLab： 用上传下载文件以及训练
AutoPanel： 用于资源检测，训练可视化

2.JupyterLab

2.1文件操作

1. 对yolov5源代码进行压缩，windows下载7zip进行压缩，压缩格式选择tar后缀，ubuntu自带tar解压，rar、zip等，解压会报错

2.解压命令：

tar -xvf yolov5_7.0_Attention_Multiple.tar      # 解压

用**-xvf**格式，否则报错

2.2路径问题

train.py文件的路径

def parse_opt(known=False):
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default='/root/yolov5Attention/yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default='/root/yolov5Attention/models/yolov5s.yaml', help='model.yaml path')
    parser.add_argument('--data', type=str, default='/root/yolov5Attention/datasets/Mydatasets.yaml', help='dataset.yaml path')
    parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')
    parser.add_argument('--epochs', type=int, default=240, help='total training epochs')
    parser.add_argument('--batch-size', type=int, default=32, help='total batch size for all GPUs, -1 for autobatch')
    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')
    parser.add_argument('--rect', action='store_true', help='rectangular training')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
    parser.add_argument('--noval', action='store_true', help='only validate final epoch')
    parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')
    parser.add_argument('--noplots', action='store_true', help='save no plot files')
    parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')
    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
    parser.add_argument('--cache', type=str, nargs='?', const='ram', help='image --cache ram/disk')
    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
    parser.add_argument('--device', default='0', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
    parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')
    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
    parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')
    parser.add_argument('--project', default=ROOT / 'runs/train', help='save to project/name')
    parser.add_argument('--name', default='yolov5s', help='save to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    parser.add_argument('--quad', action='store_true', help='quad dataloader')
    parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')
    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
    parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')
    parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')
    parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')
    parser.add_argument('--seed', type=int, default=0, help='Global training seed')
    parser.add_argument('--local_rank', type=int, default=-1, help='Automatic DDP Multi-GPU argument, do not modify')

    # Logger arguments
    parser.add_argument('--entity', default=None, help='Entity')
    parser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='Upload data, "val" option')
    parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval')
    parser.add_argument('--artifact_alias', type=str, default='latest', help='Version of dataset artifact to use')

    return parser.parse_known_args()[0] if known else parser.parse_args()

parser.add_argument(‘–weights’, type=str, default=‘/root/yolov5Attention/yolov5s.pt’, help=‘initial weights path’)
parser.add_argument(’–cfg’, type=str, default=‘/root/yolov5Attention/models/yolov5s.yaml’, help=‘model.yaml path’)
parser.add_argument(’–data’, type=str, default='/root/yolov5Attention/datasets/Mydatasets.yaml’, help=‘dataset.yaml path’)

要用绝对路径：/root/xxxx

数据集路径mydatasets.yaml文件

./yolo：代表yolo当前目录
…/yolo：代表yolo的根目录（父目录）
主意好上述细节，配置完调整好训练参数，可以开始训练了

2.3训练问题

首先，cd到yolov5的文件夹下，再配置conda环境

conda create --name myenv # 创建环境
conda activate myenv # 激活环境

安装训练的依赖库：

pip install -r requirements.txt

注意：如果你windows上生成的requirements.txt中torch是cpu版本，可以删除txt中相关库，因为AutoDL装机的时候自带gpu版本的torch库

开始训练，在终端中输入：

python train.py

3.可视化

3.1 显卡信息

新建终端2
显卡占用率查看，输入指令：

 watch -n 4 nvidia-smi  # 每4s刷新一次

3.2训练过程

首先 cd到yolov5根目录下

AutoPanel----->TensorBoard
新建终端3，运行指令：

ps -ef | grep tensorboard | awk '{print $2}' | xargs kill -9   # 先杀死之前的进程
tensorboard --port 6007 --logdir runs/train  # 在开启新进程

刷新AutoPanel----->TensorBoard界面