如何使用云端GPU训练yolov5（colab）

如何使用云端GPU训练yolov5（colab）

一、获取yolov5文件

从githup上直接在下载，（科学上网）链接：link

二、上传文件到colab

直接google 搜索 colab，用New–>More–>Google Colaboratory,新建一个note文件

创建完之后，可以自己取个名字，这里取名为yolov5.ipynb，然后点击左侧文件图标，等待一会，点击upload图标，找到yolov5的下载路径（因为是单个文件，所以必须把文件变成压缩包的形式），然后进行上传，上传完成后，点击刷新按钮，就可以看到上传的文件。

上传好后如图所示

三、训练

1、设置GPU资源

将自己的环境换成具有GPU的配置，首先点击Resource如下图step1所示，接着点击下方Change runtime type 如step2所示，点击step3框中下拉菜单，选择GPU，点击save。（若长时间不用GPU资源的话，colab会自动回收GPU资源）

2、解压缩资源

在旁边的代码块中依次运行

! unzip /content/yolov5-5.0.zip -d /content/yolo

效果如下图所示

%cd /content/yolo/yolov5-5.0

!pip install -r requirements.txt 

!python train.py

注意这里会报上图方框中显示的错误：
AttributeError: Can’t get attribute ‘SPPF’ on <module ‘models.common’ from ‘/content/yolo/yolov5-5.0/models/common.py’>

原因是在yolov5的官方源代码中缺少SPPF的类，在yolov5-5.0–>models文件夹中打开common.py文件，找到calss SPP代码位置，在上方粘贴如下代码，即可，具体操作如下图所示。

class SPPF(nn.Module):
    def __init__(self, c1, c2, k=5):
        super().__init__()
        c_ = c1 // 2
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_ * 4, c2, 1, 1)
        self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)

    def forward(self, x):
        x = self.cv1(x)
        with warnings.catch_warnings():
            warnings.simplefilter('ignore')
            y1 = self.m(x)
            y2 = self.m(y1)
            return self.cv2(torch.cat([x, y1, y2, self.m(y2)], 1))

接下来重复训练操作

!python train.py

然后，现在出现上图方框中出现的错误
RuntimeError: Given groups=1, weight of size [512, 1024, 1, 1], expected input[1, 512, 8, 8] to have 1024 channels, but got 512 channels instead
意思是通道不匹配的错误，解决方法：

在左边文件列表中，找到train.py文件，打开，找到
if name == ‘main’:
参数初始化代码处，在–cfg 所在行中的 default=’ ',在引号中添加如下路径：

/content/yolo/yolov5-5.0/models/yolov5s.yaml

此路径在，yolov5-5.0–>models–>yolo5s.yaml文件，点击竖着的三个点可以直接拷贝路径，如下图所示：

添加好路径后如下图所示（注意：这里的yolov5s.yaml 必须与上一行的 yolo5s.pt对应）

保存，并重复

!python train.py

然后，现在出现上图方框中出现的错误，
RuntimeError: result type Float can‘t be cast to the desired output type long int
这是因为yolo版本的不同导致loss文件出现不匹配的原因，解决方法如下：
打开yolov5-5.0–>utils–>loss.py文件，大约在178行左右，将代码进行替换，如下图所示：

anchors,shape = self.anchors[i],p[i].shape

接着，在大约211行代码处进行如下图所示的替换：

indices.append((b, a, gj.clamp_(0, shape[2] - 1), gi.clamp_(0, shape[3] - 1)))  # image, anchor, grid

修改完保存，再次运行：

!python train.py

看到下图的界面时，表示代码运行正常，大功告成！