YOLOv5简单训练和测试

YOLOv5简单训练和测试

window 10
GTX 1650Ti
anaconda with python 3.8
pytorch 1.10
cuda 11.3

1.准备工作

（1）环境搭建

​ 1）下载Anconda软件，创建一个新的沙盒环境，自己命名（yolo）

​

​ 2）可通过cmd中的命令进行创建

conda create -n yolo python=3.8 

conda info -e

（2）模型下载

​ 模型下载地址：https://github.com/ultralytics/yolov5

​ 1）下载zip格式压缩包，解压后文件为yolov5-master,其根目录下有一个名为requirements.txt的文本文件。里面是程序需要的一些扩展包，可通过pip命令统一安装。在yolov5-master根目录下通过cmd命令进入命令框中。

​ 2）激活yolo环境，安装扩展包

activate yolo

pip install -r requirements.txt

（3）自定义数据集准备

​ 1）新建一个文件夹用来存放自己的数据集，文件夹我命名为yolo_A，图片格式我统一为jpg格式，图片由自己统一命名。图片我存放在其子目录的images文件夹里面，labels我用来之后存放标签信息，A.yaml文件可先新建暂时不存放内容，可用文本编辑器打开。

（4）人工标识

​ 图片标注工具labelimg：https://github.com/tzutalin/labelImg

​ 1）下载图片标注工具，解压后，找到labelImg-master\data\predefined_classes.txt，用文本编辑器打开并删除里面的内容。

​ 2）然后在labelimg-master文件根目录下进入命令提示框，先激活yolo环境，在下载一些图片标注需要用到的一些扩展包。

activate yolo

conda install pyqt=5

conda install -c anaconda lxml

pyrcc5 -o libs/resources.py resources.qrc

python labelimg.py

​ 3）进入图片标注工具界面后，需要进行一些设置。

​ 4）点击Open Dir按钮选择yolo_A子目录下的images文件，点击Change Dir按钮选择子目录下的labels文件夹用来存放标定信息。然后软件右上角我们打开这个选项，并且在右边输入A，当我们标记图片后，就会自动帮我们归类到A了，A就当作此类别的标识。

​ 5）开始进行标识，按w键可出现锚定框，在用鼠标拖拽大小。所有图片标注好之后，我们再来看我们的labels文件夹，可以看到很多txt文件。每个文件都对应着我们标记的类别和框的位置：

​ 6）文件里面内容如下，其中train和val都是我们images的目录，labels的目录不用写进去，会自动识别。nc代表识别物体的种类数目，names代表种类名称，如果多个物体种类识别的话，可以自行增加。

注：‘A meng’名字可以自由更改你想要的名字

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../yolo_A/images/
val: ../yolo_A/images/
# number of classes
nc: 1

# class names
names: ['A meng']

2.模型训练

​ 1）修改训练模型，models下有四个模型，smlx需要训练的时间依次增加，按照需求选择一个文件进行修改即可，这里修改了yolov5s.yaml，只需要将nc的类别修改为自己需要的即可

​ 2）下载权重文件，这里只用到了yolov5s.pt

​ 3）开始训练，A.yaml更改为对应的名字，weights/yolov5s.pt改成对应的文件位置即可最好都放到yolov5-master下，训练轮数和batch可自己设定。

python train.py --data A.yaml --cfg yolov5s.yaml --weights weights/yolov5s.pt --epochs 10 --batch-size 32

3.初步预测

​ 1）开始训练，runs/train/exp3/weights/best.pt改成你best.pt真正的位置即可，source data/Samples/里面是用于测试的图片改成你对应文件夹的图片位置即可。

python detect.py --weights runs/train/exp/weights/best.pt --source data/samples/ --device 0 --save-txt --conf-thres 0.02

4.问题解决项

​ 1）AssertionError: CUDA unavailable, invalid device 0 requested

(yolo) F:\论文文件夹\yolov5-master>python
Python 3.8.12 (default, Oct 12 2021, 03:01:40) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> print(torch.cuda.is_available())
False

​ 注：若出现false，则证明cuda有问题，可重新安装pytorch。

​ pytorch官网：https://pytorch.org/

pip3 install torch==1.10.0+cu113 torchvision==0.11.1+cu113 torchaudio===0.10.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html

(yolo) F:\论文文件夹\yolov5-master>python
Python 3.8.12 (default, Oct 12 2021, 03:01:40) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> print(torch.cuda.is_available())
True
>>> exit()

​ 2）AssertionError: Image Not Found F:\论文文件夹\yolov5-master\test\test1.jpg

​ 注：图片存在却提示找不到。

​ 解决：将 datasets.py 中 p = str(Path(path).absolute()) 或 p = str(Path(path).resolve()) # os-agnostic absolute path 改为 p = str(Path(path))

3）RuntimeError: CUDA error: CUBLAS_STATUS_NOT_INITIALIZED when calling cublasCreate(handle)
注：可能是底层cuda版本和应用pytorch版本不一致。底层版本要高于应用版本。

5.参考博客

​ 1.(23条消息) YOLOV5训练自己的数据集（踩坑经验之谈）_a_cheng_的博客-CSDN博客

​ 2.(23条消息) 教程：超详细从零开始yolov5模型训练_抛到海里的博客-CSDN博客_yolov5

​