文章目录
- 前言
- 一、YOLO简介
- 二、代码下载
- 三、数据集准备
- 四、配置文件的修改
- 1.data下的yaml
- 2.models下的yaml
- 3.训练train
- 五、搭载服务器训练
- 1.上传数据
- 2.租服务器
- 3.pycharm连接服务器
- 1.添加ssh
- 2.输入密码
- 3.配置服务器环境路径跟代码映射路径
- 4.解压数据
- 5.开始训练
- 6.文件下载到本地
- 六、测试
- 总结
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 pathssa, sb = os.sep + 'images' + os.sep, os.sep + 'labels' + os.sep# /images/, /labels/ substringsreturn [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/VOCtrain: # train images (relative to 'path')16551 images- images/train2012- images/train2007- images/val2012- images/val2007val: # val images (relative to 'path')4952 images- images/test2007test: # test images (optional)- images/test2007修改后train: # train images (relative to 'path')16551 images- /mnt/wu/images/trainval: # 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 classesnames: ['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 classesnames: ["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')2.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')4.训练批次
parser.add_argument('--epochs', type=int, default=50)5.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。
1.添加ssh
根据租用服务器的ssh链接，输入主机，用户名，端口。
2.输入密码
3.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
1.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
2.找到文件夹，下载到本地。
六、测试
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。