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
- 配置yolo环境
- 掌握yolo基本运行规律
- 掌握yolo模型的训练
- 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.txt2.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/train6.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。