基于yolov5滑块识别破解（一）

        由于内容较长，将分为两个部分来说明，本文讲解yolov5的部署与训练。

1.YOLOv5部署

        云端部署（训练）

        服务器创建

        如果自己的显卡算力不是很好的，或者是核显电脑，可以租用算力，价格还行一块钱左右就可以租一小时了。

        网站地址：AutoDL算力云 | 弹性、好用、省钱。租GPU就上AutoDL

        登录网站，在算法社区搜索yolov5，选择一个项目进行创建。（算法社区里面有很多的算法模型，例如AI语言、图片清晰度增强等等，感兴趣的可以自己研究）

        我用的版本：ultralytics/yolov5/v5: 官方YOLOv5项目 最新稳定版本 - CG (codewithgpu.com)

直接点击创建即可。 由于我们是基于别人项目创建的，所以创建好的服务器已经自带了python环境和yolov5项目，直接上传数据进行训练就好了。

选择显卡，注意cuda版本要求（11.3以上）

        训练集上传 

       训练集就是各种滑块的图片，使用labelimg进行数据标准，把阴影地方标准为target。

        在创建完成后，在后台管理中有两个快捷工具，我们点第二个。

        绑定阿里云，然后就可以下载数据到服务器了，过程就是从我们自己的电脑上传文件到阿里云中，然后在AotoPanel工具中通过阿里云将我们上传的文件下载到我们租好的服务器上。

        模型训练

        打开JupyterLab工具，进入到服务器的命令窗口。在datasets目录下新建一个我们自己的数据集文件夹，把下载好的images和label放入到这个文件夹中。

        因为训练文件的yaml文件指定的是coco128.yaml，我们要训练的自己的模型需要修改这个yaml文件，或者也可以自己按照他的格式重新写一个yaml文件，然后在tran.py中指定这个yaml文件。

        我选择的是修改yaml文件，修改数据集的路径，并注释掉之前的类别，我们只训练识别一个类target。

        文件修改完成后，就可以直接训练模型了。打开终端输入cd yolov5-7.0，然后输入python train.py，就可以训练了。训练100个epoch

        预测推理

        训练好模型后，我们再上传几张新的滑块图片去进行预测。将测试图片上传到yolov5-7.0/data/images/里面

        更改权重模型，修改为我们自己训练好的模型。训练结果在runs/tran中，每一个exp就是每一次训练的结果，我们选择最新的一次，选择里面的weights/best.pt。best就是本次训练中最好的一次模型，last就是最后一次epoch得出的模型。

        打开detect.py修改权重模型。

        在命令窗口中输入python detect.py，然后到runs/detect中查看结果。 可以看到我们的模型已经成功识别出阴影块。

        模型下载

         到此我们的云端训练就已经完成了，我们需要把训练好的权重模型传回本地电脑。直接右键下载就行，它会通过浏览器自动下载。

本地部署

        之前说的是云端训练模型，主要是考虑了电脑性能不好的小伙伴。也可以直接在本地进行训练，流程和上面差不多的。这里就不再说了。

        在拿到云端训练好的权重模型后，我们需要部署本地的yolov5环境，使用这个权重模型去进行预测。

        yolov5下载

        参考其他大佬的教程即可

Yolov5 安装详细教程及目标检测和识别_yolo5安装教程-CSDN博客

         

        pytorch安装

        我现在使用的是AMD核显的电脑，和我情况差不多的小伙伴可以看看这个使用集成显卡/集显(AMD)或者GPU安装运行pytorch？步骤解析~_amd显卡怎么用pytorch-CSDN博客

        本地运行测试

        导入我们训练好的模型，进行测试看看是否有效

        至此yolov5的部署已经模型的训练都已经完成，在下篇文章中我们将结合yolov5来实现滑块的破解。