YOLO v5 在学校服务器上搭建（搭建多次才成功的经验）

最新推荐文章于 2024-05-14 18:32:26 发布
最新推荐文章于 2024-05-14 18:32:26 发布
阅读量3.1k 收藏 39
点赞数 12
分类专栏： yolo 文章标签： YOLOv5
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44199723/article/details/121662090
版权

一、下载YOLOv5代码

 

 二、在服务器上建立自己的目录文件夹，利用工具或者命令讲代码copy到服务器。

这里我用的是filezilla软件

如果是第一次使用的话，需要新建自己的站点并且成功连接到服务器，最后将代码上传到服务器即可。

 三、在服务器建立自己的环境

我们在进入到服务器的目录文件夹，创建虚拟环境

 然后激活环境

因为yolo有相应的安装文件夹，我们执行命令安装里面需要安装的包

 

 四、pycharm软件连接远程服务器

 

 将本地文件映射到服务器的文件下

 

 到这里之后等待包全部加载完成。

之后我们就可以运行detext.py文件进行识别

识别检测的结果会在右侧服务器里显示出来，我们找到相应的文件打开即可部署成功。

 

后期我会针对自己的数据集进行训练。

我也是小白，这是我搞了2天学会的东西，分享给大家，希望大家少走歪路。

加油！

 

H A I
关注
  • 12
    点赞
  • 踩
  • 39
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
yolov在云服务器训练 2023-02-06
qq_37797583的博客
02-06 393
通过云服务器训练yolov模型
【目标检测算法实现之yolov5】 一、YOLOv5环境配置，将yolov5部署到远程服务器上
m0_52031708的博客
03-09 3588
【YOLOV5部署到实验室远程服务器】
本地及云服务器上部署yoloworld的过程中遇到一些问题整理记录
最新发布
ITdaka的博客
05-14 1503
在本地部署yoloworld项目时遇到的一些问题的记录，供大家参考！
yolo5训练部署云服务器整套流程。新手教程
chhhhjsj的博客
07-28 2125
建议创建自己的虚拟环境进行代码的调试，可以去下载anaconda，用anaconda创建自己的虚拟环境，然后下载各种第三方库安装包。
用python的socket通信将Yolov5的USB摄像头实时推理结果发送给另一台电脑
qq_41226644的博客
01-07 1608
用python的socket通信将Yolov5的USB摄像头实时推理结果发送给另一台电脑
在远程服务器平台部署及运行CV项目——基于YOLOv5+deepsort的多人识别项目+TensorRT加速
m0_48365046的博客
03-07 3018
在远程服务器上部署项目并运行 部署的项目是上一个博客中提到的CV项目，上个博客是在Win10上部署，这个博客是在远端服务器上部署。（以后的项目都会要求在服务器上部署，所以要学会部署项目） 再次放上项目链接：Jetson 系列——基于yolov5和deepsort的多目标头部识别，跟踪，使用tensorrt和c++加速 连接到远端服务器 我一开始是在VS上部署的项目，本来是想用VS连接服务器，但是一搜全都是VSCode连接远程服务器的，然后我就查了一下VS和VSCode的区别，然后就选择了用VSCode来连接
毕设项目：使用Pyqt5搭建YOLO系列多线程目标检测系统.zip
08-27
该项目是一个毕业设计项目，主要利用Python的PyQT5库构建了一个基于YOLO（You Only Look Once）系列模型的多线程目标检测系统。这个系统旨在高效地处理图像和视频流，通过并行化处理来提升目标检测的速度。下面将...
YOLO V5 matlab
09-26
matlab 调用 function [output, x360, x415, x470, state] = yolov5fcn(images, params, varargin) %YOLOV5FCN Function implementing an imported ONNX network. % [OUTPUT, X360, X415, X470] = yolov5fcn(IMAGES,...
基于YOLO v5的物体检测ROS功能包实践.
03-03
基于YOLOV5的物体检测ROS功能包. 测试环境: Ubuntu 18.04/ROS Melodic/Nvidia Jetson Nano上, PyTorch 1.10.1, cudatoolkit=10.2. 此外,ROS Melodic默认python... 在ROS系统上实现基于PyTorch YOLO v5的实时物体检测
weights.zip yolo v5 weights
10-27
总的来说，"weights.zip yolo v5 weights"代表了一个用于YOLOv5模型的预训练权重文件包，它极大地简化了目标检测应用的开发过程。通过与GitHub上的YOLOv5项目配合使用，开发者和研究人员可以快速实现高效的物体检测...
YOLO v5 全套代码实现
03-03
也许是不服，他在YOLO V4出来后的仅仅两个月便推出YOLO V5，当然未来是否继续使用YOLO V5的名字或者采用其他名字，首先得看YOLO V5的最终研究成果是否能够真正意义上领先YOLO V4。 但是不可否认的是马赛克数据增强...
yolov5_torchserve:使用在Docker上运行的YoloV5模型的Torchserve服务器，具有GPU和静态批处理推理功能以执行生产就绪的推理
05-28
在TorchServe上运行的Yolov5（与GPU兼容）！ 这是一个用于为Yolo v5对象检测模型运行TorchServe的dockerfile。 （TorchServe（PyTorch库）是一种灵活且易于使用的工具，用于服务从PyTorch导出的深度学习模型）。 您只需要在ressources文件夹中传递一个yolov5权重文件（.pt），它将部署一个http服务器，准备进行预测。 设置Docker映像 如果使用GPU，则在本地构建Torchserve映像（dockerhub一个错误）： Build the image torchserve locally for GPU before running this (cf github torchserve) https://github.com/pytorch/serve/tree/master/docker 注意：仅对于CPU
利用腾讯云GPU服务器一键化部署 进行yolov5模型训练
2201_75753211的博客
05-12 596
首先购买云服务器，我选的是按量计费的。镜像我选择的ubuntu20.04，已经配置cuDNN和CUDA，省去手动配置的麻烦。
YOLOv5模型的部署与优化
sybh的博客
10-01 1191
本文将介绍如何将YOLOv5模型部署到不同平台，包括本地服务器、云端服务和移动设备，并讨论模型量化和优化技术，以提高模型的性能和效率。将量化后的模型部署到移动设备上，可以使用移动端深度学习框架，如TensorFlow Lite、Core ML或使用移动端推理库，如Android的TensorFlow Lite推理库或iOS的Core ML推理库。模型量化是将模型的权重和激活值从浮点数转换为低精度的整数或定点数的过程，以减少模型的内存占用和计算量。模型剪枝是去除模型中冗余权重的过程，以减小模型的大小。
**在学校服务器利用yolov5训练自己的数据集**
weixin_55672590的博客
08-11 1817
在学校服务器利用yolov5训练自己的数据集 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、准备工作1.Easy Connect安装使用2.下载FileZilla3.ssh二、训练过程1.环境的安装2.数据(跟其他人不一样)3.修改yaml文件4.修改models模型文件5.修改train.py6.修改完成，一键起飞7.测试一下自己训练的成果总结 前言 作为一名准研究生，已经在暑假参与了一丢丢学校的工程项目(打杂ing)，这次的任务是帮学长在服务器上建立一个能够跑通y
yolov5常见部署方式
weixin_35753431的博客
02-17 1289
YOLOv5 通常有以下常见部署方式： 本地部署：可以在自己的电脑上安装 YOLOv5 相关的软件和配置，使用 CPU 或 GPU 进行推理。 云端部署：将 YOLOv5 模型部署到云端服务器上，通过网络接口与外部系统进行通信，获取推理结果。 边缘设备部署：将 YOLOv5 模型部署到移动设备、物联网设备或者智能摄像机等边缘设备上，实现现场实时的目标检测。 根据具体的业务场景，可以选择不...
对YOLOV7和Resnet152在远程服务器flask部署
weixin_44932365的博客
08-11 528
对yolov7和resnet152在远程服务器上flask部署
YOLO项目服务器配置及云硬盘挂载问题
pengxiang1998的博客
02-02 1506
依次执行就可以，本次博主又换了一个服务器，这次在安装过程中遇到了一些问题，最终也解决了，实验数据集换成了CADCD，输入尺寸为1280x1024，很明显此时的显存占用要比640x640的大了很多，下面是本次GPU使用情况：batch-size为16，迭代次数为200次。在使用这个服务器的过程中意识到每次更换服务器需要重新上传项目和数据集，这让人很苦恼，因此可以采用加装一个云硬盘的方式，这样就不需如此频繁更换了，然而也是刚刚意识到该问题，博主的GPU服务器是硅谷二区的，但并未找到可用区的硬盘，呜呜呜。
yolov5-训练好的模型部署的几种方式-ONNX
linux_huangyu的博客
07-27 3801
ONNX 所针对的是深度学习开发生态中最关键的问题之一，在任意一个框架上训练的神经网络模型，无法直接在另一个框架上用。开发者需要耗费大量时间精力把模型从一个开发平台移植到另一个。因此，如何实现不同框架之间的互操作性，简化从研究到生产的路径，成为了重中之重。
用pytorch搭建Yolo V5网络模型
03-25
A： 在使用PyTorch搭建Yolo V5网络模型之前，我们需要先安装好PyTorch和必要的依赖库。具体可以参考官网指南或者搜索安装教程。 接下来，我们可以按照以下步骤来搭建Yolo V5网络模型： 1. 创建一个Python文件，导入必要的库 ``` python import torch import torch.nn as nn ``` 2. 定义Yolo V5的主干网络和头部网络 ``` python class YoloV5Backbone(nn.Module): def __init__(self): super(YoloV5Backbone, self).__init__() # 定义主干网络，具体可以根据实际需求选择不同的网络架构 def forward(self, x): # 将x输入到主干网络中，得到网络输出 return out class YoloV5Head(nn.Module): def __init__(self): super(YoloV5Head, self).__init__() # 定义头部网络，包括多个卷积层、BN层和激活函数 def forward(self, x): # 将网络输出x输入到头部网络中，得到最终输出 return out ``` 3. 定义Yolo V5网络模型，将主干网络和头部网络组合起来 ``` python class YoloV5(nn.Module): def __init__(self): super(YoloV5, self).__init__() self.backbone = YoloV5Backbone() self.head = YoloV5Head() def forward(self, x): x = self.backbone(x) out = self.head(x) return out ``` 4. 定义损失函数和优化器 在使用PyTorch训练模型时需要定义损失函数和优化器。对于Yolo V5网络模型，通常使用的是交叉熵损失函数和SGD优化器，代码如下： ``` python # 定义损失函数 criterion = nn.CrossEntropyLoss() # 定义优化器 optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9) ``` 5. 训练模型 有了模型、损失函数和优化器之后，我们就可以开始训练模型了。训练模型的过程比较复杂，包括数据预处理、训练循环等步骤。这里只提供一个简单的训练循环框架： ``` python for epoch in range(num_epochs): for i, data in enumerate(train_loader): # 数据预处理 inputs, labels = data # 将输入数据和标签转换成PyTorch张量 inputs = torch.tensor(inputs, dtype=torch.float32) labels = torch.tensor(labels, dtype=torch.long) # 前向传播 outputs = model(inputs) # 计算损失函数 loss = criterion(outputs, labels) # 反向传播 optimizer.zero_grad() loss.backward() optimizer.step() # 打印损失值 print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format( epoch+1, num_epochs, i+1, total_step, loss.item())) ``` 这个训练循环框架可以根据实际情况做一些修改和优化，比如增加验证集、记录训练过程中的指标等等。 6. 保存模型 训练完成后，我们可以将训练好的模型保存起来，以备后续使用。保存模型的代码如下： ``` python torch.save(model.state_dict(), 'yolov5.pth') ``` 这个代码会将模型的状态保存成文件yolov5.pth，可以在需要的时候用load_state_dict()方法加载模型。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值