[人工智能]合工大苍穹战队视觉组培训Day1——机器学习，学会使用YOLO模型

目录

学习目标

学习内容

学习时间

学习产出

一、环境配置（需要配置CUDA)

1.安装anaconda与pycharm

2.安装并进行测试

3.更换镜像源与更新包

4.pycharm自行安装即可

二、环境配置（不需要手动配置CUDA）

1.NVIDIA驱动安装与更新

2.anaconda的安装

3.paddlepaddle环境安装

4、pycharm安装--验证CUDA和cudnn版本?

三、利用labellmg制作自己的深度学习目标检测数据集

四、训练自己的目标检测模型

1.环境的安装

2.数据集的准备

3.权重的选择

4.训练自己的模型

5.启用tensorbord查看参数

6.推理测试

五、对于yolov7(v6)的补充

六、关于服务器的使用

学习心得

学习目标

• 配置yolo运行（深度学习）环境
• 了解yolo算法（v1,v2,v3,v4,v5,v6,v7)运行规则
• 使用yolo训练模型

学习内容

1. 配置yolo环境
2. 掌握yolo基本运行规律
3. 掌握yolo模型的训练
4. 其他

学习时间

• 2022年7月18日

学习产出

下面是整体学习的过程（环境搭建，模型训练总体过程），在环境配置中，我提供两种思路，分别为需要配置CUDA和不需要手动配置CUDA；在模型训练中，我着重对yolov5进行陈述，对v7主要做补充。

一、环境配置（需要配置CUDA)

1.安装anaconda与pycharm

官网链接 Anaconda | The World's Most Popular Data Science Platform?? ? ? ? ? ? ? ?PyCharm: the Python IDE for Professional Developers by JetBrains

进入官网直接下载即可，anaconda可以使用清华镜像，pycharm最好下载专业版，社区版不支持远端ssh链接，无法使用商用服务器进行训练。

anaconda下载好安装即可，有几点注意事项：

2.安装并进行测试

安装之后，win+R键输入cmd进入命令行，输入

conda --version

若出现conda版本号即安装成功。

3.更换镜像源与更新包

更换镜像（清华大学镜像），在cmd后输入：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

更新包，在cmd输入：

conda update conda  #更新anaconda
conda upgrade --all #更新所有第三方包

至此为止，anaconda安装完毕。

4.pycharm自行安装即可

二、环境配置（不需要手动配置CUDA）

1.NVIDIA驱动安装与更新

查找自己英伟达的显卡型号，步骤为：此电脑右击-->管理-->设备管理器-->显示适配器。就可以看到电脑显卡的版本，到官网进行驱动更新。

官网链接：官方驱动 | NVIDIA

然后根据自己的电脑的配置去选择驱动。这里Notebooks是笔记本的意思，所以如果你是笔记本电脑，那么产品系列那个选项就要选择（Notebooks）的。还有那个下载类型有两种一个是Studio版本，一个是Game Ready版本。其实两个版本都差不多，一个是偏办公用，一个是偏游戏娱乐。按如下操作将驱动下载下来。然后点击下载来的程序，不断的下一步就好了

2.anaconda的安装

同上，不再赘述。

3.paddlepaddle环境安装

首先在base环境下创建一个新的环境来安装paddlepaddle框架。首先创建一个新的环境名。执行如下命令：

conda create -n paddle python=3.8

创建好了名叫paddle这个环境以后，进入到这个环境中（可以在pytorch环境下进入），执行如下命令：

conda activate paddle

打开paddlepaddle的官网，我们选择cuda11.2版本，执行命令安装即可。

官网链接：飞桨PaddlePaddle-源于产业实践的开源深度学习平台?

4、pycharm安装--验证CUDA和cudnn版本?

首先创建新的环境，配置好配置器等等，在创建的工程里面创建一个python脚本，在脚本中运行如下代码，查看是否anconda在安装pytorch环境的时候也安装了cuda和cudnn。

import torch
print(torch.cuda.is_available())
print(torch.backends.cudnn.is_available())
print(torch.cuda_version)
print(torch.backends.cudnn.version())

三、利用labellmg制作自己的深度学习目标检测数据集

可以使用环境安装，也可以用.exe软件直接打开继续标注。

四、训练自己的目标检测模型

可以到yolo的官网下载源代码，对项目进行克隆。

这是代码的详细解释：

├── data：主要是存放一些超参数的配置文件（这些文件（yaml文件）是用来配置训练集和测试集还有验证集的路径的，其中还包括目标检测的种类数和种类的名称）；还有一些官方提供测试的图片。如果是训练自己的数据集的话，那么就需要修改其中的yaml文件。但是自己的数据集不建议放在这个路径下面，而是建议把数据集放到yolov5项目的同级目录下面。

├── models：里面主要是一些网络构建的配置文件和函数，其中包含了该项目的四个不同的版本，分别为是s、m、l、x。从名字就可以看出，这几个版本的大小。他们的检测测度分别都是从快到慢，但是精确度分别是从低到高。这就是所谓的鱼和熊掌不可兼得。如果训练自己的数据集的话，就需要修改这里面相对应的yaml文件来训练自己模型。

├── utils：存放的是工具类的函数，里面有loss函数，metrics函数，plots函数等等。

├── weights：放置训练好的权重参数。

├── detect.py：利用训练好的权重参数进行目标检测，可以进行图像、视频和摄像头的检测。

├── train.py：训练自己的数据集的函数。

├── test.py：测试训练的结果的函数。

├──requirements.txt：这是一个文本文件，里面写着使用yolov5项目的环境依赖包的一些版本，可以利用该文本导入相应版本的包。

1.环境的安装

直接安装requirements.txt即可，在pycharm命令终端输入:

pip install -r requirements.txt

2.数据集的准备

利用labellmg标注好数据集，yolo格式可以直接使用，若是voc格式还要转成yolo的格式。

3.权重的选择

官方库下载即可，每种权重对应着不同的特点，我选择的是yolov5s.pt。可以根据自己的需求进行选择，官方提供了很多中权重。

4.训练自己的模型

这里每个人训练的模型都不一样，直接对项目文件做出修改，即可得到一个简单的预训练算法进行训练即可。下面是对主函数的解析：

if __name__ == '__main__':
"""
? ? opt模型主要参数解析：
? ? --weights：初始化的权重文件的路径地址
? ? --cfg：模型yaml文件的路径地址
? ? --data：数据yaml文件的路径地址
? ? --hyp：超参数文件路径地址
? ? --epochs：训练轮次
? ? --batch-size：喂入批次文件的多少
? ? --img-size：输入图片尺寸
? ? --rect:是否采用矩形训练，默认False
? ? --resume:接着打断训练上次的结果接着训练
? ? --nosave:不保存模型，默认False
? ? --notest:不进行test，默认False
? ? --noautoanchor:不自动调整anchor，默认False
? ? --evolve:是否进行超参数进化，默认False
? ? --bucket:谷歌云盘bucket，一般不会用到
? ? --cache-images:是否提前缓存图片到内存，以加快训练速度，默认False
? ? --image-weights：使用加权图像选择进行训练
? ? --device:训练的设备，cpu；0(表示一个gpu设备cuda:0)；0,1,2,3(多个gpu设备)
? ? --multi-scale:是否进行多尺度训练，默认False
? ? --single-cls:数据集是否只有一个类别，默认False
? ? --adam:是否使用adam优化器
? ? --sync-bn:是否使用跨卡同步BN,在DDP模式使用
? ? --local_rank：DDP参数，请勿修改
? ? --workers：最大工作核心数
? ? --project:训练模型的保存位置
? ? --name：模型保存的目录名称
? ? --exist-ok：模型目录是否存在，不存在就创建

5.启用tensorbord查看参数

yolov5里面有写好的tensorbord函数，可以运行命令就可以调用tensorbord，然后查看tensorbord了。首先打开pycharm的命令控制终端，输入如下命令：

tensorboard --logdir=runs/train

6.推理测试

等到数据训练好了以后，会在主目录下产生一个run文件夹，在run/train/exp/weights目录下会产生两个权重文件，一个是最后一轮的权重文件，一个是最好的权重文件，一会我们就要利用这个最好的权重文件来做推理测试。除此以外还会产生一些验证文件的图片等一些文件。需要将刚刚训练好的最好的权重传入到推理函数中去。然后就可以对图像视频进行推理。对图片进行测试推理，将如下参数修改成图片的路径，然后运行detect.py就可以进行测试了。推理测试结束以后，在run下面会生成一个detect目录，推理结果会保存在exp目录下。

五、对于yolov7(v6)的补充

v6由于不是官方团队开发所以优化不太好，不建议使用。

v7对于xml文件进行了优化，也对数据集格式进行了优化，不用再依照很严格的形式进行文件夹的建立，拥有images和labels即可，具体可自行搜索。

六、关于服务器的使用

我在训练模型的时候用到过服务器，推荐两大上用服务器：Autodl和featurize,前者还能白piao10小时训练时间（RTX2080TI),不过SSH要pycharm专业版才支持，学生认证可免费激活一年，不过因为服务器没有桌面端，不支持qt，可能无法进行视频流的detect,也可能是我自己没弄明白。

学习心得

装好环境就是成功的一半了，如果电脑配置不够可以使用服务器不过肯定有点不方便。