每次重启环境操作的指令
使用的文件位置:E:\pycharm\python\yolov5\yolov5-7.0
conda activate yolov5
E:
cd E:\pycharm\python\yolov5\yolov5-master
cd E:\pycharm\python\yolov5\yolov5-7.0
cd E:\pycharm\python\yolov5\yolov5-src
yolov5 记录
一些命令环境
https://github.com/ultralytics/yolov5
pip install -r requirements.txt
python detect.py #看结果
# 测试自带的权重文件
#python .\detect.py --source .\data\images --weights .\weight\yolov5s.pt
#cpu
#python detect.py --weights yolov7.pt --source bus.jpg --no-trace --device cpu
#gpu
#python detect.py --weights yolov7.pt --source bus.jpg --no-trace
环境操作
conda create -n yolov5 python=3.8
conda activate yolov5
F:
cd F:\Installation package\cuda and cudnn
conda install torch-1.12.1+cu113-cp38-cp38-win_amd64.whl
yolo项目操作
#git clone https://github.com/ultralytics/yolov5.git 没什么用
#自己下安装包放到一个合适的位置
E:
cd E:\pycharm\python\yolov5\yolov5-master
pip install -r requirements.txt
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
小问题总结
参考:https://blog.csdn.net/weixin_37989267/article/details/128326603
https://blog.csdn.net/a1130061818/article/details/123811002
不解决应该会有一些包安不上
按照方法解决,无报错
安装测试
python detect.py --source ./data/images/ --weights weights/yolov5s.pt --conf 0.4
没有问题
换一个更大的模型
python detect.py --source ./data/images/ --weights weights/yolov5x.pt --conf 0.4
查看torch版本
进入anaconda prompt,随意创建一个虚拟环境
conda create --name yolov5 python=3.8
conda activate yolov5
conda activate fps
E:
cd E:\pycharm\python\FPS\yolov7
python detect.py --source bus.jpg
python #进入python交互环境
import torch
torch.__version__
torch.cuda.is_available() # 查看GPU是否可用
torch gpu安装
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
import torch
print(torch.cuda.is_available())
数据集训练
python get_voc_windows.py
运行结束后,在VOCdevkit / VOC2007和VOCdevkit / VOC2012目录下可以看到生成了文件夹labels ;在VOC目录下
生成了images和labels文件夹;
在yolov5目录下生成了文件2007_train.txt, 2007_val.txt, 2007_test.txt, 2012_train.txt,
2012_val.txt,train.txt, train.all.txt。
labels下的文件是JPEGImages文件夹下每一个图像的yolo格式的标注文件,这是由annotations的
xml标注文件转换来的
train.txt和2007_test.txt分别给出了训练集图片和验证集图片的列表,含有每个图片的路径和文件
名。
VOC/images文件夹下有train和val文件夹,分别放置训练集和验证集图片;VOC/labels文件夹有
train和val文件夹,分别放置训练集和验证集标签(yolo格式)。
修改配置
新建文件data/voc-new.yaml
# download command/URL (optional)
#download: bash data/scripts/get_voc.sh
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or
# list: [path1/images/, path2/images/]
train: VOC/images/train/ # 16551 images
val: VOC/images/val/ # 4952 images
新建文件models/yolov5s-voc.yaml,源于yolov5s.yaml仅修改参数
# parameters
nc: 20 # number of classes
训练
python train.py --data data/voc-new.yaml --cfg models/yolov5s-voc.yaml --weights weights/yolov5s.pt --batch-size 16 --epochs 200
不运行
https://blog.csdn.net/qq_26420885/article/details/128629128
看了一下,基本确定是numpy的问题,我的版本可能比较过新,不适配老师老的环境,安装requirements用的是新的,尝试更改一下
到原文件夹的requirements看了一下版本,先安1.18.5,后安了1.20.3,再跑一次次看看,没问题了
按这个速度不知道要跑到什么时候,
跑了一小会,寄
参考:https://blog.csdn.net/SpadgerZ/article/details/115584829
无问题,就是盘炸了
小问题总结
期间跟教程,但下载了最新的yolov5一直在保找不到文件的错,于是在这一点花了不少时间,翻博客时发现可能是库的版本不对,于是调换对应的版本,仍然报错,但都解决了,参考如下:
一直报错,且报不同的错,大致都是文件位置不对的错,察觉到自己最大问题的:https://blog.csdn.net/LYiiiiiii/article/details/119775311
解决后,又出的问题:https://blog.csdn.net/hjxu2016/article/details/121303818
接着出问题,教程较早,numpy库更新了:https://blog.csdn.net/m0_47026232/article/details/128887778
https://blog.csdn.net/qq_26420885/article/details/128629128
最后出问题,conda环境在C盘,项目在E盘,未分配虚拟内存:https://blog.csdn.net/weixin_46133643/article/details/125042903
基本都是环境的问题,记录一下就当长个心眼,花了好几个小时,基本等于白给了。