ubuntu18 YOLOv5 配置及训练

ubuntu18 YOLOv5 配置及训练

环境搭建

#下载anaconda安装脚本（本教程采用清华源）
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2020.07-Linux-x86_64.sh
#安装anaconda
bash Anaconda3-2020.07-Linux-x86_64.sh
    
# Please, press ENTER to continue -> 回车继续
# 阅读协议，同意按回车（跳过ctrl+c）
# Do you accept the license terms? [yes|no] -> 同意协议输入yes回车
# Anaconda3 will now be installed into this location -> 选择安装路径（本文安装/usr/local/anaconda3），等待安装
# by running conda init? [yes|no] -> 是否添加系统环境，输入yes回车
# 待安装结束

# 刷新当前用户环境（激活环境）
source ~/.bashrc

#更新Anaconda相关配置
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

创建环境

#使用conda创建单独的环境，在系统命令行中运行如下命令：
conda create -n yolov5_1 python==3.8
#进入该环境继续安装依赖库：
conda activate yolov5_1
#删除环境
conda remove -n yolov5 --all
#退出当前环境
conda deactivate yolov5_1


#安装pytorch环境，可能需要等待
#pytorch的gpu版本，官方网站地址: https://pytorch.org/get-started/locally/，找到自己匹配的相关命令
pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html
#查看安装的结果
pip install ipython


#(yolov5_1) :~$ ipython
#Python 3.8.0 (default, Nov  6 2019, 21:49:08) 
#Type 'copyright', 'credits' or 'license' for more information
#IPython 7.21.0 -- An enhanced Interactive Python. Type '?' for help.

#In [1]: import torch

#In [2]: torch.cuda.is_available()
#Out[2]: True
#出现以上内容表明环境已经安装好啦。 

1.下载

YOLOv5源码下载地址：https://codechina.csdn.net/mirrors/ultralytics/yolov5

2.运行requirements

安装运行环境以及所需依赖，运行以下命令即可：

pip install  -U  -r   requirements.txt
#等待依赖下载完成，可能比较耗时

3.测试

权重文件下载地址：https://github.com/ultralytics/yolov5/releases/

python detect.py --source data/images/ --weights yolov5s.pt --conf 0.4
#查看结果，运行结束后会提示结果的保存路径
#yolov5支持直接输出txt文件，文件内容与标注的文件一致

报错如下：

modules/module.py", line 947, in __getattr__
    raise AttributeError("'{}' object has no attribute '{}'".format(
AttributeError: 'Detect' object has no attribute 'm'

解决方法：在官网下载最新的weight文件------yolov5s.pt即可。

4.训练coco128数据集

python train.py --data coco128.yaml --cfg yolov5s.yaml --weights '' --batch-size 32  --device  0  --epochs 300 --img 640

报错如下：

RuntimeError: cuDNN error: CUDNN_STATUS_NOT_INITIALIZED

解决：

将原命令中的batch-size调小即可。

5.制作自己的数据集

• labelImg可直接标注YOLO格式的数据。

• 使用labelImg进行标注，之后我们需要将标注生成的xml转换成txt文件，代码如下:

  import xml.etree.ElementTree as ET
  import pickle
  import os
  from os import listdir, getcwd
  from os.path import join
  #修改自己所标注使用的类名
  classes = ["marker"]
  
  
  def convert(size, box):
      dw = 1./size[0]
      dh = 1./size[1]
      x = (box[0] + box[1])/2.0
      y = (box[2] + box[3])/2.0
      w = box[1] - box[0]
      h = box[3] - box[2]
      x = x*dw
      w = w*dw
      y = y*dh
      h = h*dh
      return (x,y,w,h)
  
  def convert_annotation(image_id):
      #xml文件的路径
      in_file = open('xml1117/%s.xml'%(image_id))
      #生成txt文件的路径
      out_file = open('xml1117/%s.txt'%(image_id), 'w')
      tree=ET.parse(in_file)
      root = tree.getroot()
      size = root.find('size')
      w = int(size.find('width').text)
      h = int(size.find('height').text)
  
      for obj in root.iter('object'):
          difficult = obj.find('difficult').text
          cls = obj.find('name').text
          #查看当前标注的xml文件中的类名是否存在在classes里
          if cls not in classes or int(difficult) == 1:
              continue
          cls_id = classes.index(cls)
          xmlbox = obj.find('bndbox')
          b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
          bb = convert((w,h), b)
          out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
  
  wd = getcwd()
  
  
  #if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
  #	os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
  path = os.listdir(r"./xml1117")
  path.sort()
  #将所有图像的绝对路径存入在train.txt中
  #list_file = open('train.txt', 'w')
  
  for filename in path:
  	name = filename[:filename.rindex('.')]
  	#list_file.write('%s/%s/%s.jpg\n'%(wd,"image1117",name))
  	convert_annotation(name)
  
  
  list_file.close()
  

• 将标注好的txt文件以及图形文件参照coco128文件的格式放置即可。

• 之后我们就可以开始训练啦，命令如下：

  python train.py --data  outlets.yaml --cfg  yolov5s.yaml  --weights yolov5s.pt   --batch-size 4  --device  0  --epochs 1000 --img 640
  

6.测试：

#conf为阈值，即置信度为0.4以下的不被检测到
python detect.py --source data/img/ --weights /runs/train/exp21/weights/best.pt --conf 0.4