一、NVIDIA驱动装置与更新
首先查看电脑的显卡版本，步骤为：此电脑右击–>治理–>设施管理器–>显示适配器。就能够看到电脑显卡的版本了。如图，能够看到我的是一块NVIDIA GeForce 1660Ti显卡。
有显卡驱动的，能够间接在桌面右键，找到英伟达驱动控制面板关上就好了。
装置（更新）好了显卡驱动当前。咱们按下win+R组合键，关上cmd命令窗口。输出如下的命令。
nvidia-smi
失去如下图的信息图
二、Pytorch环境装置
按下开始键（win键），关上anaconda的终端。创立虚拟环境conda create -n 环境名字（英文） python=x.x（python版本），如下，我就是创立了一个名字叫pytorch，python是3.8版本的环境。
conda create -n pytorch python=3.8
在base环境中执行如上的命令，就会创立一个新的虚拟环境，这个虚拟环境会装置一些根底的包，如下图所示。询问是否装置的时候，输出y。就能够创立环境了。
当装置好了当前，执行conda env list这个命令，就能够看到比一开始多了一个pytorch这个环境。当初咱们能够在这个环境外面装置深度学习框架和一些Python包了。
Conda env list
执行如下命令，激活这个环境。conda activate 虚拟环境名称
conda activate pytorch
装置pytorch-gup版的环境，因为pytorch的官网在国外，下载相干的环境包是比较慢的，所以咱们给环境换源。在pytorch环境下执行如下的命名给环境换清华源。
而后关上pytorch的官网，因为结尾咱们通过驱动检测到我的显卡为 NVIDIA GeForce 1660Ti，最高反对cuda11.6版本，所以咱们抉择cuda11.7版本的cuda，而后将上面红色框框中的内容复制下来，肯定不要把前面的-c pytorch -c conda-forge也复制下来，因为这样运行就是还是在国外源下载，这样就会很慢。
将复制的内容粘贴到pytorch环境下的终端，运行就能够了
三、验证CUDA和cudnn版本
在代码中增加 print(torch.cuda.is_available)查看以后pytorch的gpu是否正确配置，若后果为True则代表配置胜利
四、VOC标签格局转yolo格局并划分训练集和测试集
咱们常常从网上获取一些指标检测的数据集资源标签的格局都是VOC(xml格局)的，而yolov5训练所须要的文件格式是yolo(txt格局)的，这里就须要对xml格局的标签文件转换为txt文件。同时训练本人的yolov5检测模型的时候，数据集须要划分为训练集和验证集。这里提供了一份代码将xml格局的标注文件转换为txt格局的标注文件，并按比例划分为训练集和验证集。先上代码再解说代码的注意事项。
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random
from shutil import copyfile
classes = ["hat", "person"]
#classes=["ball"]
TRAIN_RATIO = 80
def clear_hidden_files(path):
dir_list = os.listdir(path)
for i in dir_list:
abspath = os.path.join(os.path.abspath(path), i)
if os.path.isfile(abspath):
if i.startswith("._"):
os.remove(abspath)
else:
clear_hidden_files(abspath)
def convert(size, box):
dw = 1./size[0]
dh = 1./size[1]
x = (box[0] + box[1])/2.0
y = (box[2] + box[3])/2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x*dw
w = w*dw
y = y*dh
h = h*dh
return (x,y,w,h)
def convert_annotation(image_id):
in_file = open('VOCdevkit/VOC2007/Annotations/%s.xml' %image_id)
out_file = open('VOCdevkit/VOC2007/YOLOLabels/%s.txt' %image_id, 'w')
tree=ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
bb = convert((w,h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
in_file.close()
out_file.close()
wd = os.getcwd()
wd = os.getcwd()
data_base_dir = os.path.join(wd, "VOCdevkit/")
if not os.path.isdir(data_base_dir):
os.mkdir(data_base_dir)
work_sapce_dir = os.path.join(data_base_dir, "VOC2007/")
if not os.path.isdir(work_sapce_dir):
os.mkdir(work_sapce_dir)
annotation_dir = os.path.join(work_sapce_dir, "Annotations/")
if not os.path.isdir(annotation_dir):
os.mkdir(annotation_dir)
clear_hidden_files(annotation_dir)
image_dir = os.path.join(work_sapce_dir, "JPEGImages/")
if not os.path.isdir(image_dir):
os.mkdir(image_dir)
clear_hidden_files(image_dir)
yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/")
if not os.path.isdir(yolo_labels_dir):
os.mkdir(yolo_labels_dir)
clear_hidden_files(yolo_labels_dir)
yolov5_images_dir = os.path.join(data_base_dir, "images/")
if not os.path.isdir(yolov5_images_dir):
os.mkdir(yolov5_images_dir)
clear_hidden_files(yolov5_images_dir)
yolov5_labels_dir = os.path.join(data_base_dir, "labels/")
if not os.path.isdir(yolov5_labels_dir):
os.mkdir(yolov5_labels_dir)
clear_hidden_files(yolov5_labels_dir)
yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/")
if not os.path.isdir(yolov5_images_train_dir):
os.mkdir(yolov5_images_train_dir)
clear_hidden_files(yolov5_images_train_dir)
yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/")
if not os.path.isdir(yolov5_images_test_dir):
os.mkdir(yolov5_images_test_dir)
clear_hidden_files(yolov5_images_test_dir)
yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/")
if not os.path.isdir(yolov5_labels_train_dir):
os.mkdir(yolov5_labels_train_dir)
clear_hidden_files(yolov5_labels_train_dir)
yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/")
if not os.path.isdir(yolov5_labels_test_dir):
os.mkdir(yolov5_labels_test_dir)
clear_hidden_files(yolov5_labels_test_dir)
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w')
train_file.close()
test_file.close()
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a')
list_imgs = os.listdir(image_dir) # list image files
prob = random.randint(1, 100)
print("Probability: %d" % prob)
for i in range(0,len(list_imgs)):
path = os.path.join(image_dir,list_imgs[i])
if os.path.isfile(path):
image_path = image_dir + list_imgs[i]
voc_path = list_imgs[i]
(nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))
(voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))
annotation_name = nameWithoutExtention + '.xml'
annotation_path = os.path.join(annotation_dir, annotation_name)
label_name = nameWithoutExtention + '.txt'
label_path = os.path.join(yolo_labels_dir, label_name)
prob = random.randint(1, 100)
print("Probability: %d" % prob)
if(prob < TRAIN_RATIO): # train dataset
if os.path.exists(annotation_path):
train_file.write(image_path + '\n')
convert_annotation(nameWithoutExtention) # convert label
copyfile(image_path, yolov5_images_train_dir + voc_path)
copyfile(label_path, yolov5_labels_train_dir + label_name)
else: # test dataset
if os.path.exists(annotation_path):
test_file.write(image_path + '\n')
convert_annotation(nameWithoutExtention) # convert label
copyfile(image_path, yolov5_images_test_dir + voc_path)
copyfile(label_path, yolov5_labels_test_dir + label_name)
train_file.close()
test_file.close()
首先数据集的格局构造必须严格依照如图的款式来，因为代码曾经将文件名写死了。其实这样也好，因为对立就会标准 。
Annotations外面寄存着xml格局的标签文件，JPEGImages外面寄存着照片数据文件。特地要留神的是，classes外面必须正确填写xml外面曾经标注好的类，要不然生成的txt的文件是不对的。TRAIN_RATIO是训练集和验证集的比例，当等于80的时候，阐明划分80%给训练集，20%给验证集。
将代码和数据在同一目录下运行，失去如下的后果
在VOCdevkit目录下生成images和labels文件夹，文件夹下别离生成了train文件夹和val文件夹，外面别离保留着训练集的照片和txt格局的标签，还有验证集的照片和txt格局的标签。images文件夹和labels文件夹就是训练yolov5模型所需的训练集和验证集。在VOCdevkit/VOC2007目录下还生成了一个YOLOLabels文件夹，外面寄存着所有的txt格局的标签文件。
至此，xml格局的标签文件转换为txt格局的标签文件并划分为训练集和测试集就讲完了。
五、我的项目的克隆和必要的环境依赖
YOLOv5的代码是开源的，因而咱们能够从github上克隆其源码。首先关上yolov5的github的官网（这个网站在国外关上是很慢的，而且是有的时候能失常关上，有的时候是进不去的，然而大家第一次打不开的话，肯定要多关上几次。）关上的官网界面如下，这个就是大神glenn-jocher开源的yolov5的我的项目。
这个开源的我的项目通过大家的一直的欠缺和修复曾经到了第5个分支，因而咱们抉择第五个版本来试验，首先点击左上角的master这个图标来抉择我的项目的第5个分支，如下图所示，而后将版本抉择好当前，点击右上角的code那个按键，将代码下载下来。至此整个我的项目就曾经筹备好了。
将咱们下载好的yolov5的代码解压，而后用一款IDE关上关上之后整个代码目录如下图：
当初来对代码的整体目录做一个介绍：
以上就是yolov5我的项目代码的整体介绍。咱们训练和测试本人的数据集根本就是利用到如上的代码。
六、环境的装置和依赖的装置
关上requirements.txt这个文件，能够看到外面有很多的依赖库和其对应的版本要求。咱们关上pycharm的命令终端，在中输出如下的命令，就能够装置了。
pip install -r requirements.txt
至此，深度学习的环境和依赖包就都完结了。
七、训练本人的模型
预训练模型和数据集都筹备好了，就能够开始训练本人的yolov5指标检测模型了，训练指标检测模型须要批改两个yaml文件中的参数。一个是data目录下的相应的yaml文件，一个是model目录文件下的相应的yaml文件。批改data目录下的相应的yaml文件。找到目录下的voc.yaml文件，将该文件复制一份，将复制的文件重命名，最好和我的项目相干，这样不便前面操作。我这里批改为hat.yaml。（这个名字是轻易起的）
关上这个文件夹批改其中的参数，首先将箭头1中的那一行代码正文掉（我曾经正文掉了），如果不正文这行代码训练的时候会报错；箭头2中须要将训练和测试的数据集的门路填上（最好要填绝对路径，有时候由目录构造的问题会莫名微妙的报错）；箭头3中须要检测的类别数，我这里是辨认安全帽和人，所以这里填写2；最初箭头4中填写须要辨认的类别的名字（必须是英文，否则会乱码辨认不进去）。到这里和data目录下的yaml文件就批改好了。
因为该我的项目应用的是yolov5s.pt这个预训练权重，所以要应用models目录下的yolov5s.yaml文件中的相应参数（因为不同的预训练权重对应着不同的网络层数，所以用错预训练权重会报错）。同上批改data目录下的yaml文件一样，咱们最好将yolov5s.yaml文件复制一份，而后将其重命名，我将其重命名为yolov5_hat.yaml。
关上yolov5_hat.yaml文件只须要批改如图中的数字就好了，这里是辨认12个类别
至此，相应的配置参数就批改好了。
如果下面的数据集和两个yaml文件的参数都批改好了的话，就能够开始yolov5的训练了。首先咱们找到train.py这个py文件。
而后找到主函数的入口，这外面有模型的主要参数。模型的主要参数解析如下所示。
至此，就能够运行train.py函数训练本人的模型了。
八、应用炼丹侠的A100进行训练
关上炼丹侠官网
之后抉择时长、卡的数量和镜像之后，点击立刻创立之后跳转至控制台界面
在此处可通过ip和端口对服务器进行连贯，之后实现训练即可
发表回复