YOLOV5 代码复现以及搭载服务器运行
前言
在前面文章中提到,目标检测有两种方式,一种是one_stage(单阶段)如YOLO 一种是two_stage(双阶段)如Faster_Rcnn,Mask_Rcnn。之前介绍了Faster_Rcnn,这篇文章主要介绍YOLOV5 代码复现过程,以及配置文件的修改。
一、YOLO简介
YOLO是目标检测的一种网络框架,检测速度非常快,适合做一些实时检测,YOLO现在经过几代版本的更迭,现在已经到了V5版本,V5提供了5l,5m,5s,5x几种版本,这篇文章使用5s的模型。
二、代码下载
大家可以自行到百度网盘进行下载,附链接:
链接:百度网盘
提取码:qnn5
三、数据集准备
在上篇文章中,介绍了xml转txt文件的代码过程,可以自行查看,附链接:
代码
转换之后,还可以分成训练集跟测试集
images 放置文件
labels 放置txt文件
这里要注意的是,文件夹名称一定为images跟labels,原代码规定如下:
def img2label_paths(img_paths):
# Define label paths as a function of image paths
sa, sb = os.sep + 'images' + os.sep, os.sep + 'labels' + os.sep # /images/, /labels/ substrings
return [sb.join(x.rsplit(sa, 1)).rsplit('.', 1)[0] + '.txt' for x in img_paths]
四、配置文件的修改
1.data下的yaml
修改data目录下面的VOCyaml文件,
修改前:
path: ../datasets/VOC
train: # train images (relative to 'path') 16551 images
- images/train2012
- images/train2007
- images/val2012
- images/val2007
val: # val images (relative to 'path') 4952 images
- images/test2007
test: # test images (optional)
- images/test2007
修改后
train: # train images (relative to 'path') 16551 images
- /mnt/wu/images/train
val: # val images (relative to 'path') 4952 images
- /mnt/wu/images/val
这里修改数据路径
修改前:
nc: 20 # number of classes
names: ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog',
'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor'] # class names
修改后:
nc: 4 # number of classes
names: ["Traffic_Light_go","Traffic_Light_stop","Traffic_Light_warning",'Traffic_Light_ambiguous'] # class names
这里更改nc跟标签
nc:表示你训练的数据是几分类。
2.models下的yaml
这里使用的是5s的模型,更改yolov5s.yaml文件
这里只需要更改nc可以,代表你训练的数据是几分类。
3.训练train
- 更改YOLOV5s模型的路径
parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
- 更改上面修改过models的yaml文件路径
parser.add_argument('--cfg', type=str, default='models/traffic.yaml', help='model.yaml path')
3.更改上面修改过data的yaml文件路径
parser.add_argument('--data', type=str, default=ROOT / 'data/traffic.yaml', help='dataset.yaml path')
- 训练批次
parser.add_argument('--epochs', type=int, default=50)
- 批次大小,batch_size 如果在训练过程中出现显存不足可以降低batch_size的大小
parser.add_argument('--batch-size', type=int, default=64, help='total batch size for all GPUs, -1 for autobatch')
五、搭载服务器训练
像YOLO这种深度框架,最好搭载服务器进行训练,博主使用的是矩池云,附链接矩池云
附邀 请码:BQlYmrQhDiex1lZ
1.上传数据
租服务器之前,先上传数据,数据很大的话,租服务器之后上传会浪费时间,还费钱。
进入我的网盘,上传数据。
2.租服务器
这里选择显卡型号,进行租用。
环境选择yolov5环境,省去配环境的环节。
3.pycharm连接服务器
租用好之后,进入租用界面,显示租用服务器的详细信息。
这里使用ssh连接。
- 添加ssh
根据租用服务器的ssh链接,输入主机,用户名,端口。
- 输入密码
- 配置服务器环境路径跟代码映射路径
打开链接,进入终端。
输入conda env list
查看环境路径
配置环境路径,代码映射路径
mnt路径下就是自己的网盘路径。
如图所示,配置完成。
4.解压数据
打开终端,cd到压缩数据集目录下,unzip 文件名
进行解压,如下图所示:
5.开始训练
等待代码全部上传至服务器之后,按照服务器数据集路径,修改data下面的yaml文件中数据集路径,就可以进行训练了。
如下图所示:就是搭载服务器进行训练。
如图所示,开始训练。
训练结束。
这个路径下就是训练产生的权值文件。
best.ph 是最好的权值文件。
last.ph 是最后一次训练的权值文件。
6.文件下载到本地
我们可以通过winscp这个软件,将训练的好的文件夹,下载到本地
- 输入主机名,端口号,用户名,密码,连接服务器
如图所示,连接成功
我们可以根据训练好的权重进行测试。
测试代码detect.py
权重文件路径
parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs/train/exp6/weights/best.pt', help='model path(s)')
测试图片,视频路径,0表示开启摄像头。
parser.add_argument('--source', type=str, default="traffic.mp4", help='file/dir/URL/glob, 0 for webcam')
设置好之后就可以就行测试。
测试完成,会显示保存路径。
打开文件夹,查看效果。
总结
以上就是YOLOV5 搭载服务器复现的全部过程,大家在复现过程中,遇到的问题,可以反馈到评论区。
- 分享
- 举报
-
浏览量:2172次2020-02-25 11:00:03
-
浏览量:13355次2018-12-27 13:16:45
-
浏览量:2276次2020-04-24 18:04:21
-
浏览量:1185次2023-06-07 14:32:02
-
浏览量:658次2024-01-22 15:27:25
-
浏览量:703次2023-08-21 11:47:40
-
浏览量:4264次2017-10-30 16:46:25
-
浏览量:1236次2024-03-06 16:15:59
-
浏览量:1458次2024-01-05 16:46:11
-
浏览量:1831次2024-02-20 13:54:36
-
浏览量:1197次2023-12-19 16:06:28
-
浏览量:6121次2019-12-28 10:35:51
-
浏览量:1741次2018-05-13 17:51:39
-
浏览量:1789次2020-08-21 14:40:54
-
浏览量:2036次2024-01-05 17:00:10
-
2024-01-22 10:56:03
-
浏览量:2334次2020-07-24 17:13:30
-
浏览量:2190次2019-11-22 14:11:11
-
浏览量:1534次2023-11-21 16:33:30
-
20篇
- 【案例分享】每个场景都可被AI识别——医院电梯病床检测
- 使用YOLOV8 CLI训练自己的数据集
- picodet 详解——Neck: CSP-PAN
- YOLOv8 AS-One:目标检测AS-One 来了!(YOLO就是名副其实的卷王之王)
- Jetson Nano之ROS入门 -- YOLO目标检测与定位
- 【具身智能-应用】AI助力实现数字资产与物理数据对齐——电力工井“线-孔”识别
- YOLO-NAS:面向目标检测的下一代模型
- ubuntu18.04配置pytorch框架并进行fcn网络并训练 —— 深度学习(一)
- 使用Stable Diffusion图像修复来生成自己的目标检测数据集
- 使用 yolov5 进行目标检测的训练操作 小记
-
广告/SPAM
-
恶意灌水
-
违规内容
-
文不对题
-
重复发帖
Tony
感谢您的打赏,如若您也想被打赏,可前往 发表专栏 哦~
举报类型
- 内容涉黄/赌/毒
- 内容侵权/抄袭
- 政治相关
- 涉嫌广告
- 侮辱谩骂
- 其他
详细说明