哪里建设企业网站,wordpress微信发布工具,云设计工具,网站适配手机参考文档
yolov5-github
yolov5-github-训练文档
csdn训练博客
一、配置环境
1.1 安装依赖包
前往清华源官方地址 选择适合自己的版本替换自己的源
# 备份源文件
sudo cp /etc/apt/sources.list /etc/apt/sources.list_bak
# 修改源文件
# 更新
sudo apt update sudo apt upgrade -y安装必要的环境依赖包
sudo apt-get install -y build-essential ubuntu-drivers-common net-tools python3 python-is-python3 python3-pip
# 修改pip源为清华源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple或者修改配置文件替换pipe国内源地址
mkdir ~/.pip/
cd ~/.pip/
sudo vi pip.conf输入以下内容
[global]
index-url https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-hostpypi.tuna.tsinghua.edu.cn执行验证
pip config list1.2 安装docker
具体安装步骤参考ubuntu安装docker官方文档 卸载所有冲突包 for pkg in docker.io docker-doc docker-compose docker-compose-v2 podman-docker containerd runc; do sudo apt-get remove $pkg; done设置 Docker 的apt存储库 # Add Dockers official GPG key:
sudo apt-get update
sudo apt-get install -y ca-certificates curl gnupg
sudo install -m 0755 -d /etc/apt/keyrings
sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg
sudo chmod ar /etc/apt/keyrings/docker.gpg# Add the repository to Apt sources:
echo \deb [arch$(dpkg --print-architecture) signed-by/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \$(. /etc/os-release echo $VERSION_CODENAME) stable | \sudo tee /etc/apt/sources.list.d/docker.list /dev/null
sudo apt-get update安装最新的docker包 sudo apt-get install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin1.3 拉取pytorch docker镜像
前往pytorch 官方docker镜像寻找自己合适版本yolov5要求1.8以上版本我拉取1.13版本执行命令
sudo docker pull pytorch/pytorch:1.13.1-cuda11.6-cudnn8-runtime1.4 安装nvidia驱动
桌面版参考链接
服务器版参考链接
我们使用pytorch-docker环境无需安装cudaNVIDIA驱动简单安装如下 禁用nouveau驱动 编辑 /etc/modprobe.d/blacklist-nouveau.conf 文件添加以下内容 blacklist nouveau
blacklist lbm-nouveau
options nouveau modeset0
alias nouveau off
alias lbm-nouveau off关闭nouveau echo options nouveau modeset0 | sudo tee -a /etc/modprobe.d/nouveau-kms.conf重新生成内核并重启 sudo update-initramfs -u
sudo reboot重启后验证 重启后执行lsmod | grep nouveau。如果没有屏幕输出说明禁用nouveau成功 查找推荐驱动 ubuntu-drivers devices
# 输出如下
# modalias : pci:v000010DEd00001EB8sv000010DEsd000012A2bc03sc02i00
# vendor : NVIDIA Corporation
# model : TU104GL [Tesla T4]
# driver : nvidia-driver-450-server - distro non-free
# driver : nvidia-driver-525-server - distro non-free
# driver : nvidia-driver-535-server - distro non-free
# driver : nvidia-driver-418-server - distro non-free
# driver : nvidia-driver-525 - distro non-free
# driver : nvidia-driver-470 - distro non-free
# driver : nvidia-driver-470-server - distro non-free
# driver : nvidia-driver-535 - distro non-free recommended
# driver : xserver-xorg-video-nouveau - distro free builtin安装推荐的驱动程序 根据自己系统选择安装安装完成后重启 sudo apt install nvidia-driver-535-server重启后验证 nvidia-smi 命令能够输出显卡信息则验证成功
1.5 安装nvidia docker gpus工具
为了让docker支持nvidia显卡英伟达公司开发了nvidia-docker该软件是对docker的包装使得容器能够看到并使用宿主机的nvidia显卡。
根据网上的资料从docker 19版本之后nvidia-docker成为了过去式。不需要单独去下nvidia-docker这个独立的docker应用程序也就是说gpu docker所需要的Runtime被集成进docker中使用的时候用–gpus参数来控制。以下是工具安装步骤
# step1 添加包存储库在终端依次输入以下命令
distribution$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list# step2 下载安装nvidia-container-toolkit包
sudo apt-get update sudo apt-get install -y nvidia-container-toolkit# step3 重启docker服务
sudo systemctl restart docker二、训练数据集
2.1 下载yolov5代码
前往github下载代码或者准备自己的yolov5训练代码如果是拷贝他人代码将**.git目录删除**否则后续训练时检查git信息会报错。
git clone gitgithub.com:ultralytics/yolov5.git2.2 启动进入pytorch-docker
# 映射宿主机地址到docker内部根据显卡实际情况指定显存容量
sudo docker run -v /home/zmj/lishi:/workspace --gpus all --shm-size 18g -p 6006:6006 -it pytorch/pytorch:1.13.1-cuda11.6-cudnn8-runtime /bin/bash后续都将在docker中执行;
2.3 安装依赖项
在docker下进入yolov5代码目录下将request.txt的opencv注释掉然后执行依赖项安装 pip3 install -r requirements.txt -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com继续安装opencv-python-headless版本opencv
pip3 install opencv-python-headless2.4 创建文件
2.4.1 数据集为图片xml格式
将标准好的图像文件夹命名为images标签文件夹命名为Annotations都放到源码目录的data文件夹下注意 images内为数据集原始图片Annotations内为标注的xml文件对这两个文件夹做好备份
├── data
│ ├── Annotations 进行 detection 任务时的标签文件xml 形式文件名与图片名一一对应
│ ├── images 存放 .jpg 格式的图片文件
│ ├── ImageSets 存放的是分类和检测的数据集分割文件包含train.txt, val.txt,trainval.txt,test.txt
│ ├── labels 存放label标注信息的txt文件与图片一一对应├── ImageSets(trainvaltest建议按照811比例划分)
│ ├── train.txt 写着用于训练的图片名称
│ ├── val.txt 写着用于验证的图片名称
│ ├── trainval.txt train与val的合集
│ ├── test.txt 写着用于测试的图片名称在yolov5根目录下创建make_txt.py文件内容如下
import os
import random# 函数确保文件夹存在如果不存在则创建
def ensure_folder_exists(folder):if not os.path.exists(folder):os.makedirs(folder)print(fCreated folder: {folder})# 检查并创建所需文件夹
folders [data/ImageSets, data/JPEGImages, data/labels]
for folder in folders:ensure_folder_exists(folder)trainval_percent 0.1
train_percent 0.9
xmlfilepath data/Annotations
txtsavepath data/ImageSets
total_xml os.listdir(xmlfilepath)
num len(total_xml)
list range(num)
tv int(num * trainval_percent)
tr int(tv * train_percent)
trainval random.sample(list, tv)
train random.sample(trainval, tr)
file_paths []
file_paths.append(os.path.join(txtsavepath, trainval.txt))
file_paths.append(os.path.join(txtsavepath, test.txt))
file_paths.append(os.path.join(txtsavepath, train.txt))
file_paths.append(os.path.join(txtsavepath, val.txt))for file_path in file_paths:with open(file_path, w) as file:for i in list:name total_xml[i][:-4] \nif i in trainval:if file_path.endswith(trainval.txt):file.write(name)if i in train:if file_path.endswith(test.txt):file.write(name)else:if file_path.endswith(val.txt):file.write(name)else:if file_path.endswith(train.txt):file.write(name)file.close()os.chmod(file_path, 0o666) # 设置文件权限print(Finished!)创建voc_label.py内容如下
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join# 函数确保文件夹存在如果不存在则创建
def ensure_folder_exists(folder):if not os.path.exists(folder):os.makedirs(folder)print(fCreated folder: {folder})# 检查并创建所需文件夹
folders [data/ImageSets, data/JPEGImages, data/labels]
for folder in folders:ensure_folder_exists(folder)sets [train, test,val]
#此处修改为实际标注内容
classes [fall]
def convert(size, box):dw 1. / size[0]dh 1. / size[1]x (box[0] box[1]) / 2.0y (box[2] box[3]) / 2.0w box[1] - box[0]h box[3] - box[2]x x * dww w * dwy y * dhh h * dhreturn (x, y, w, h)
def convert_annotation(image_id):in_file open(data/Annotations/%s.xml % (image_id))file_path data/labels/%s.txt % (image_id)tree ET.parse(in_file)root tree.getroot()size root.find(size)w int(size.find(width).text)h int(size.find(height).text)if(w0 or h0):in_file.close()print(image_id,w , w, h , h, 0 error)image_file data/images/%s.jpg % (image_id)xml_file data/Annotations/%s.xml % (image_id)os.remove(image_file)os.remove(xml_file)returnout_file open(data/labels/%s.txt % (image_id), w)for obj in root.iter(object):difficult obj.find(difficult).textcls obj.find(name).textif cls not in classes or int(difficult) 1:continuecls_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()os.chmod(file_path, 0o666) # 设置文件权限
wd getcwd()
print(wd)
for image_set in sets:if not os.path.exists(data/labels/):os.makedirs(data/labels/)image_ids open(data/ImageSets/%s.txt % (image_set)).read().strip().split()file_path data/%s.txt % (image_set)with open(file_path, w) as list_file:for image_id in image_ids:list_file.write(data/images/%s.jpg\n % (image_id))convert_annotation(image_id)list_file.close()os.chmod(file_path, 0o666) # 设置文件权限
print(Finished!)依次执行上述两个脚本如果执行voc_labels.py提示有w 0 h 0 errror字样说明标注的宽高有0异常脚本会删除异常标签和图片需要重新执行这两个脚本。
python3 make_txt.py
python3 voc_label.py执行完成后会在data下创建ImageSets文件夹和labels文件夹大致内容如下 data下生成三个txt文件 2.4.2 数据集为图片txt格式
如果数据集为已经归一化后的txt格式数据则只需将数据集的trainvaltest三个文件夹放到data目录下使用python在data目录下生成对应的txt文件即可。python实现可参考如下内容
# chat-gpt编写
import osdef create_list(data_folder, subset):images_folder os.path.join(data_folder, subset, images)list_file_path os.path.join(data_folder, f{subset}.txt)with open(list_file_path, w) as list_file:for image_name in os.listdir(images_folder):if image_name.endswith(.jpg):image_path os.path.relpath(os.path.join(images_folder, image_name), startos.path.dirname(data_folder))list_file.write(image_path \n)# 设置文件权限为0666os.chmod(list_file_path, 0o666)# 替换为您的data目录的路径
data_directory data# 为train, test, val创建列表
for subset in [train, test, val]:create_list(data_directory, subset)
执行之后即可效果如下 2.5 修改yaml文件
复制data目录下的coco.yaml我这里命名为fall.yaml参照参考文档主要修改三个地方 修改train,val,test的路径为自己刚刚生成的三个txt文件相对于yolov5源码根目录的路径 nc 里的数字代表数据集的类别我这里只有跌倒一类所以修改为1 names 里为自己数据集标注的类名称我这里是fall 内容如下 # YOLOv5 by Ultralytics, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: python train.py --data coco.yaml
# parent
# ├── yolov5
# └── datasets
# └── coco ← downloads here (20.1 GB)# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
# path: ../datasets/coco # dataset root dir
# train: train2017.txt # train images (relative to path) 118287 images
# val: val2017.txt # val images (relative to path) 5000 images
test: data/test.txt # dataset root dir
train: data/train.txt # train images (relative to path) 128 images
val: data/val.txt # val images (relative to path) 128 images
# test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794nc: 1 # number of classes
names: [fall] # class names# Download script/URL (optional)
download: |from utils.general import download, Path# Download labelssegments False # segment or box labelsdir Path(yaml[path]) # dataset root dirurl https://github.com/ultralytics/yolov5/releases/download/v1.0/urls [url (coco2017labels-segments.zip if segments else coco2017labels.zip)] # labelsdownload(urls, dirdir.parent)# Download dataurls [http://images.cocodataset.org/zips/train2017.zip, # 19G, 118k imageshttp://images.cocodataset.org/zips/val2017.zip, # 1G, 5k imageshttp://images.cocodataset.org/zips/test2017.zip] # 7G, 41k images (optional)download(urls, dirdir / images, threads3)
2.6 修改模型文件
models下有5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我选择yolov5s.yaml只需将nc改为实际值即可 2.7修改训练tran.py
这里需要对train.py文件内的参数进行修改weightscfgdata按照自己所需文件的路径修改weights如果使用参考博客的文件将yolov5s.pt下载放到代码根目录下即可如果使用官方则无需修改会自行下载。具体参数含义查看官方文档。我修改内容如下 2.8 开始训练
执行python train.py
可能报以下错误 按照提示执行export GIT_PYTHON_REFRESHquiet继续执行训练命令就可以开始训练了。
2.9 验证训练结果
训练结束后在代码根目录下执行检测命令可以将待检测图片放到data/samples目录下执行
python detect.py --weights runs/train/exp/weights/best.pt --source data/samples/ --device 0 --data data/fall.yaml注意: 每训练一次都会在runs/train/目录下新创建一个exp加数字文件夹运行测试用例时选择最新的测试结果也会保存在runs/detect目录下最新的exp文件夹下
