yolov5从GPU安装到训练自己的模型详细教程

                      yolov5从GPU安装到训练自己的模型详细教程 

环境搭建
一． Gpu安装

1 、linux系统

查看自己电脑显卡型号:
linux系统终端指令：lspci | grep –i nvidia ,会返回gpu型号，如果没有返回你的电脑可能没有gpu显卡或显卡未正确安装。

禁用nouveau
使用如下命令查看系统是否正在使用nouveau：

如下图，如果有任何输出，那么就是nouveau在启用，需要按照以下步骤关闭，否则跳过禁用nouveau部分即可。

创建配置文件
sudo vi /etc/modprobe.d/blacklist-nouveau.conf
加入以下内容，保存退出
blacklist nouveau
options nouveau modeset=0
执行如下命令，更新镜像
sudo update-initramfs -u
等待更新完后，用reboot命令重启系统，再次使用lsmod | grep nouveau核实无任何输出。
cuda的安装

在NVIDIA官网找到CUDA各版本下载页面，链接https://developer.nvidia.com/cuda-toolkit-archive，如下图：

选择CUDA Toolkit 10.2，在新窗口选择操作系统版本和CPU架构等信息，安装类型选择runfile[local]，可以离线安装。（官网更推荐deb包的安装方式，但是我没成功，有兴趣可以到官网学习，资料非常详细）

终端执行：
Wget https://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda_10.2.89_440.33.01_linux.runsudo
sh cuda_10.2.89_440.33.01_linux.run
进行下载安装cuda。

等待安装程序加载，过会儿会询问是否接受协议，输入accept回车确认

然后会询问安装的组件，全选即可，选择好之后把光标移动到Install上面，按下回车键，等待安装。

安装完成后，修改环境变量，执行sudo vi ~/.bashrc打开配置文件，在最后加入以下内容并保存退出。
export PATH=/usr/local/cuda-10.2/bin:/usr/local/cuda-10.2/nsight-compute-2019.5.0:$PATHexportL{D}_{L}IBRAR{Y}_{P}ATH=/usr/local/cuda-10.2/lib64:$LD_LIBRARY_PATH

至此，已安装完CUDA，CPU驱动程序也已在安装CUDA的过程中顺带安装。
使用nvidia-smi验证GPU驱动可用，可以读取到显卡信息

使用nvcc -V核实CUDA可用，可以看到CUDA版本为10.2

安装cuDNN
到NVIDIA官网的cudnn下载页面，链接https://developer.nvidia.com/rdp/cudnn-archive，下载与cuda版本对应的cudnn 版本，我这里下载cuDNN v7.6.5 for CUDA 10.2。

下载时注意选择Ubuntu18.04版本，只下载Runtime Library和Developer Library即可，终端执行dpkg –i 加文件名安装。
到此，GPU 环境搭建完成。

安装Anaconda
登录清华大学anaconda镜像站找到Anaconda3-5.1.0-Linux-x86_64.sh，点击下载，下载完成后，进入保存文件的文件夹，赋予执行权限并安装。
sudo chmod +x Anaconda3-5.1.0-Linux-x86_64.sh
sudo ./Anaconda3-5.1.0-Linux-x86_64.sh
安装过程中首先会要求阅读许可协议，按回车阅读即可

按q退出阅读，会被询问是否接受协议，输入yes即可

接下来会被询问安装路径，按回车使用默认路径。

等待安装完成会被询问是否添加anaconda到环境变量中，填yes。

如果没有看到询问是否添加anaconda到环境变量，则需要手动添加。
在终端输入：sudo gedit ~/.bashrc
末尾输入export PATH="/home/xy/anaconda3/install/bin:$PATH"（加粗部分替换成自己安装anaconda3的路径），点击保存，退出。
终端输入 source ~/.bashrc
然后，终端输入conda有返回信息说明安装成功

使用anconda 配置所需要环境
linux系统自带python 2.7版本，如果直接正在终端执行pip install 时会安装与python 2.7相对应的包。所以，在配置环境时最好的选择是，建立一个虚拟环境（可以理解为一个完全独立的房间，里边的装饰品，你可以随意的搭配）。可以创建多个不同名的虚拟环境，也就是说可以安装多个不同版本的python。
终端执行：conda create –n yolov5（虚拟环境的名称，自己根据情命名） python==3.7.5（自己指定python版本，不指定默认安最新版本）。

输入 y 回车：

出现上图内容说明虚拟环境创建成功，终端 输入 conda activate py375 进入虚拟环境中：如下图所示，活命你已经成功进入虚拟环境内部，你在这个环境里使用pip install或conda install 安装的依赖包，都在这个环境（房间）内部。

pip是Python官方的包管理工具：
• 它从PyPI（Python Package Index）上拉取数据，或者说它的Repo在PyPI上。绝大多数的Python包会优先发布到PyPI上。目前（2020年5月），PyPI上的项目有23万之多。
• 支持源码和二进制文件，二进制文件以Wheel文件形式存在。
• 只支持Python，不关注其他一些非常重要但是更加底层的软件包，比如针对Intel CPU加速的数学库Intel MKL。
• pip安装包时，尽管也对当前包的依赖做检查，但是并不保证当前环境的所有包的所有依赖都同时满足。这可能导致一个环境的依赖冲突，当某个环境所安装的包越来越多，很早之前安装的包可能和当前包相互冲突。
conda是另外一个被广泛应用的工具，它：
• 它从http://Anaconda.org上拉取数据。Anaconda上有一些主流Python包，但在数量级上明显少于PyPI，缺少一些小众的包。
• 它只支持二进制文件，二进制文件是提前编译好的。
• 不仅支持Python，还支持R、C/C++等其他语言的包。
• 提供了环境隔离，可以使用conda命令创建多个环境，每个环境里安装Python、R等环境，某个特定的环境内包含了独立的Python解释器，不同环境之间互不影响。相比而言，pip只提供安装功能，多环境之间的隔离需要依赖另外的工具（如virtualenv）来完成。从这个角度来讲，conda可以管理Python解释器，而pip必须依附于Python解释器。
• conda在安装包时，对所安装包的依赖检查更严格，它会保证当前环境里的所有包的所有依赖都满足。
个人更喜欢使用conda install 来安装依赖包，conda 找不到依赖包时在使用pip 安装，pip 还可以直接读取txt文件进行依赖包的安装，例如：
pip install –r requires.txt
就可以安装txt文件内的依赖包的内容了。

以yolov5为例：
• 创建虚拟环境：conda create –n py375 python==3.7.5
• 激活虚拟环境：conda actriavet py375
• 进入源码目录：cd yolov5
• 终端执行：pip install –r requirement.txt，进行依赖包的安装，过程比较缓慢，如果失败，重新执行指令多试几次即可，不建议更改为国内源，现阶段国内源并不稳定，有时还是无法访问的状态，只要宽带稳定，一般都会成功。依赖包的安装是一件很耗费时间精力的事情。

出现 successfully installed 时，说明依赖包安装成功。
• 修改配置文件

进入data文件夹： cd data
复制voc.yaml 并重命名为demo.yaml(名字自己命名):cp voc.yaml demo.yaml
修改内部数据：vim demo.yaml

使用红字标记出需要更改的地方。

进入models文件夹

复制yolov5s.yaml并重命名为car.yaml :cp yolov5.yaml car.yaml
修改内部参数：vim car.yaml

配置文件修改完成。下边就可以训练了。

• 训练模型
终端指令： python train.py –weights weights/yolov5s.pt –-batch-size 16 –-epoch 100 –-data data/demo.yaml --cfg models/car.yaml

注：batch-size 数值大小根据显卡来设定，一般情况下数值越大精度越好，训练越快，对GPU显存的利用率高越高，出现报错时，请减小数值。Epoch数值视情况而定，一般情况下，设为100效果就很好了，如果效果不好，加大数值重新训练，如果效果没什么变化请更换数据集，数据集过小，或标注出现错误。训练结束会产生一个best.pt与last.pt两个权重，一般选取best.pt。

• 模型推理
终端指令： python detect.py --weights runs/train/exp/best.pt
–source （所选要检测的数据）

• 至此结束。