docker复现网络yolov3详解

yolov3-docker复现

一、docker环境搭建
二、yolov3复现

这张图片就是本博客的主要内容

一、docker环境的复现

1.了解docker 如果读者为docker新手，或者跟我一样一知半解的话，建议百度搜索：docker-从入门到实践，这个文档对初学者帮助很大。
2.由于每个人机型不一样，所以关于docker安装我这里就不再叙述了，上述给的文档说的非常详细，如果还是不会的话，可以私信我，就是我也不一定能解决的说。
3.这里从docker pull开始进行详细介绍：
1）docker pull 的格式如下 ：docker pull [选项] [Docker Registry 地址[:端口号]/]仓库名[:标签]
2) 看不懂也没关系，这个地方给对应的例子： Eg: docker pull 192.163.101.180:5020/nvidia/pytorch:21.03
3）pytorch:21.03版本根据复现code环境来，ip也是根据自己环境来，我是因为前面有大佬建好网站了所以用这个ip，具体ip解释可以看刚刚说的docker文档。博主是因为需要复现https://github.com/ultralytics/yolov3,需要python3.8，所以选21.03 具体版本可以根据https://ngc.nvidia.com选择
4.docker pull 之后就可以run相应的docker了，docker run 这个地方也分为三步解释：
1）一般来说，我们运行一个docker只需要docker run -it --rm 192.168.101.180:5000/nvidia/pytorch:17.10 bash 就可以了，具体的参数在一开始提到的文档【从入门到实践】都有介绍
2）但是这样得到的docker是孤立的 ，而我们复现code都是需要数据集的，所以这个地方我们需要把本地文件与docker进行绑定装载 ，所以需要使用docker -v这种命令，需要注意的是，这种方法最好在一开始就把你想绑定的文件夹一次性敲定，至少我暂时没有找到中途加入的方法
3）最后整个命令如下：
docker run --gpus all --ipc=host -it
-v /rdata/datasets/COCO:/coco \
-v /data2/yourdate:/docker_data \ (-v可以多次使用 把你想映射的文件都映射过去就行)
–name jingxiang（镜像名称 给自己看的 非必要）
-h mynet（网络 给自己看的 非必要）
192.128.101.180:5200/nvidia/pytorch:21.03 bash
5.docker run 之后的故事；
1）如果你刚刚没有退出，你就可以愉快的玩耍了 如果需要使用apt-get 记得对他进行更新apt update。
2）如果刚刚退出了，docker stop了 你可以使用docker start id ,如果docker本身没有stop，那可以使用docker attach id 或者 docker exec -it id 【具体百度就知道了】如果使用vscode进行远程连接的可以使用右键直接进入

二、yolov3复现

这个地方我复现的是上面这个网络，一开始说了，python是3.8版本的，所以docker环境记得选对，本博客复现的网址为https://github.com/ultralytics/yolov3
1、环境配置
1）clone code： git clone git://github.com/ultralytics/yolov3.git
2）pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
3）一般来说 cv2会报错 ImportError: libGL.so.1: cannot open shared object file: No such file or directory 这个时候其实就是新容器缺少依赖 apt install libgl1-mesa-glx 就可以了。大家具体可以看https://felaim.blog.csdn.net/article/details/108726908这位大佬的博客，一看她博客就很有意思 哈哈哈
2、coco数据集摆放
1）先看官方提示 https://github.com/ultralytics/yolov3/wiki/Train-Custom-Data
2）大概知道数据集的摆放之后，需要注意以下几点：
（1）coco数据集下面一定要有images&labels文件，images下包括train2017&val2017,lables下也是如此，并且与images一一对应，这个地方大家可以找json转txt或者json转voc再转txt的code，这里不是我不乐意分享，是因为我找的code会缺失部分图片【没有对象的image不转化了】
（ 2）coco.yaml数据集的文件路径记得改，这个path指的是train.txt&val.txt[相应数据集所有图片的位置] 代码如下：

# encoding : utf-8
import os
file_path = 'coco图片路径eg:/coco/images/train2017'
path_list = os.listdir(file_path)
path_name =[]
for i in path_list:
    path_name.append(i)
print(path_name)
with open('train.txt','w') as file:
    for file_name in path_name:
        file.write(file_path+file_name+'\n')
file.close()

3.数据集也整好了之后，就可以开始训练了，不想用wandb也可以把他关了：https://blog.csdn.net/qq_38495194/article/details/114671925
4.最后 跑起来：

CUDA_VISIBLE_DEVICES=4 python train.py --data coco.yaml --cfg yolov3.yaml  --batch-size 16 --cache-images

博主是2080的卡，嫌弃–img-size 640 有点慢，就改为320了，主要想先看看效果,batchsize 啥的大家根据自己卡的情况决定。 吼 终于结束了 中间有些地方让大家跳转到其他大佬的博客对不住，但是吃水不忘挖井人 嗯 希望bug少一些