YOLO实践

一. 环境安装

参考视频

1. Pytorch环境安装细节

• pytorch安装：一个单独的环境中，能使用pip就尽量使用pip，实在有问题的情况，例如没有合适的编译好的系统版本的安装包，再使用conda进行安装，不要来回混淆
• CUDA是否要安装：如果只需要训练、简单推理，则无需单独安装CUDA，直接安装pytorch；如果有部署需求，例如导出TensorRT模型，则需要进行CUDA安装
• Pytorch安装注意事项:必须使用官网的命令进行安装，否则安装的是cpu的版本
• Pytorch安装细节：（显卡16系列，采用CUDA10的版本，否则会出现精度为nan；显卡30系列，务必安装CUDA11.x版本）
  如果包实在下不下来，可以采用如下的方法：
  • 直接输入命令，然后复制下面的地址从浏览器中下载
    
  • 然后再重新输入命令，就可以很快下载下来了。
    

2. 正确使用windows终端：

• 使用cmd,而不是powershell（无法激活环境）。
• 在其他软件，如Pycharm,vscode中也要注意！

vscode配置cmd终端

4. 可能出现的问题

• Arial.ttf字体文件无法下载
  • 手动下载，放到对应的位置，windows下的目录是：～/AppData/Roaming/Ultralytics
• 页面文件太小,无法完成操作（本质上是因为内存不够）
  • 调整训练参数中的workers，设置为0
  • 修改虚拟内存，将环境安装位置所在的盘，设置一个较大的参数
• ‘Upsample’ object has no attribute ‘recompute _scale_factor’
  • pytorch版本过高导致，可以选择降版本，1.8.2目前是不会报错的版本
  • 如不想降低版本，可以修改pytorch源码，打开报错的unsampling.py，删除
    recompute_scale_factor这个参数

设置电脑虚拟内存：

二 .数据集制作

1. 数据格式转化

2. 划分数据集
   提示:划分好的数据集有两种格式：（我猜想，代码从data.yaml中读取train和val路径以后直接读取下面的所有文件（图片和txt文件），然后再进行处理，因此以下两种方式等价）
   （1）图片和txt文件分开存储在imgs和labels文件夹下

data/
├── train/
│   ├── imgs/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   ├── ...
│   │
│   └── labels/
│       ├── img1.txt
│       ├── img2.txt
│       ├── ...
│
└── val/
    ├── imgs/
    │   ├── imgA.jpg
    │   ├── imgB.jpg
    │   ├── ...
    │
    └── labels/
        ├── imgA.txt
        ├── imgB.txt
        ├── ...

（2）图片和txt文件统一存放在train和val文件夹下

data/
├── train/
│   ├── img1.jpg
│   ├── img1.txt
│   ├── img2.jpg
│   ├── img2.txt
│   ├── ...
│
└── val/
    ├── imgA.jpg
    ├── imgA.txt
    ├── imgB.jpg
    ├── imgB.txt
    ├── ...

三. 模型训练

1. YOLOV5 训练

在项目的根目录下运行一下命令

# Train yolov5x on score for 300 epochs
python3 train.py --img-size 640 --batch-size 16 --epochs 300 --data ./data/score.yaml --cfg ./models/score/yolov5x