基于anaconda的yolov5安装教程

基于anaconda的yolov5安装教程

下载所需文件

从以下方法下载yolov5

https://github.com/ultralytics/yolov5
或者我的百度网盘（非最新）
链接：https://pan.baidu.com/s/1g4ddiSrw0UMLiavvTTD2Wg
提取码：zqze

在anaconda中配置环境

创建环境存放文件夹

conda create -n yolov5 python=3.7
conda activate yolov5

登录pytorch的官网 https://pytorch.org/get-started/locally/，根据自己的环境，进行选择，网站会给出相应的安装命令。我这里的环境是linux、pip、cuda 10.1
（查看cuda版本号nvcc -V）

显然这张图中并没有我所需要的版本，那么就点击红色的install previous versions of PyTorch，或者打开网址https://pytorch.org/get-started/previous-versions/自行寻找对应的版本安装
*

注意：是在conda activate yolov5后输入指令，即处于yolov5环境

pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html`

或者

conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.1 -c pytorch

为了成功安装，我采用了pip安装，并且在后面加了-i https://pypi.douban.com/simple/

下图为cuda10.1的安装pytorch

安装成功后，继续

pip install ipython

安装完pytorch后，我们在ipython中查看安装的结果

$ ipython
Python 3.7.10 (default, Feb  26 2021, 18:47:35)
Type 'copyright', 'credits' or 'license' for more information
IPython 7.22.0 -- An enhanced Interactive Python. Type '?' for help.

In [1]: import torch

In [2]: torch.cuda.is_available()
Out[2]: True

键入exit()推出ipython
此时，说明GPU版本的pytorch安装成功

安装yolov5

进入刚刚解压的yolov5文件夹

cd yolov5-4.0/

安装yolov5所需环境

pip install -U -r requirements.txt

运行python detect.py，默认情况下，脚本会去读取inference/images下的所有图片并进行目标检测，带有目标框的结果图片保存在inference/out下。

训练

准备数据集，与yolov4一样，.jpg与.txt放在一个文件夹中
*1.*修改/data/中的coco128.yaml,将第十行注释即#download: https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip，
修改以下两个部分：

#number of classes
 nc: 
#class names
 names:

train：
val:
路径最好为绝对路径，工程应用中将测试集与训练集为同一文件，保证样本足够

*2.*修改models中的.yaml文件，根据需求进行选取，只需修改第二行的nc: 2 #number of classes
3.

python train.py --img 480 --batch 32 --epochs 400 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights ./weights/yolov5s.pt --device 0,1

--epochs：训练的epoch，默认值300
--batch-size：默认值16
--cfg：模型的配置文件，默认为yolov5s.yaml
--data：数据集的配置文件，默认为data/coco128.yaml
--img-size：训练和测试输入大小，默认为[640, 640]
--rect：rectangular training，布尔值
--resume：是否从最新的last.pt中恢复训练，布尔值
--nosave：仅仅保存最后的checkpoint，布尔值
--notest：仅仅在最后的epoch上测试，布尔值
--evolve：进化超参数（evolve hyperparameters），布尔值
--bucket：gsutil bucket，默认值''
--cache-images：缓存图片可以更快的开始训练，布尔值
--weights：初始化参数路径，默认值''
--name：如果提供，将results.txt重命名为results_name.txt
--device：cuda设备，例如：0或0,1,2,3或cpu，默认''
--adam：使用adam优化器，布尔值
--multi-scale：改变图片尺寸img-size +/0- 50%，布尔值
--single-cls：训练单个类别的数据集，布尔值

多 GPU分布式数据并行模式
必须通过python -m torch.distributed.launch --nproc_per_node，然后是通常的参数。

python -m torch.distributed.launch --nproc_per_node 3 train.py --batch 96 --data coco.yaml --weights yolov5s.pt --device 0,1,2

–nproc_per_node指定要使用的 GPU 数量。在上面的例子中，它是 3。
–batch 是总批次大小。它将平均分配给每个 GPU。在上面的示例中，每个 GPU 是 96/3=32。

上面的代码将使用 GPU 0… (N-1)

测试

权重在runs/train/exp*中，一般使用best.pt

python test.py --weights runs/train/exp2/weights/best.pt --data ./data/coco.yaml --save-txt --iou-thres 0.2 --img-size 480

--weights ：预训练模型路径，默认值weights/yolov5s.pt
--data：数据集的配置文件，默认为data/coco.yaml
--batch-size：默认值32
--img-size：推理大小（pixels），默认640
--conf-thres：目标置信度阈值，默认0.001
--iou-thres：NMS的IOU阈值，默认0.65
--save-json：把结果保存为cocoapi-compatible的json文件
--task：默认val，可选其他值：val, test, study
--device：cuda设备，例如：0或0,1,2,3或cpu，默认''
--half：半精度的FP16推理
--single-cls：将其视为单类别，布尔值
--augment：增强推理，布尔值
--verbose：显示类别的mAP，布尔值

可视化

使用tensorboard可视化结果

在yolov5目录下，使用：

tensorboard --logdir=runs

注意：
如果返回拒绝了我们的请求，可以在tensorboard的后面加上参数–port ip：

tensorboard --logdir=runs --host=192.168.0.134