最近看到美团发表的YOLOv6论文,其速度可达1234FPS,便想尝试部署测试,并训练自己的数据集,谁知官方克隆的源码BUG百出,在部署的过程中页看到其他学者也遇到相同BUG困扰,有一些BUG官方也没给出明确的解决方案。在结合其他学者的经验以及自己的理解后,本人成功完成了模型的全系列部署包括:训练、评价及推理,(后续TensorRT加速持续更新),特将踩坑记录做以总结,但愿能帮助新手避坑。
Yolov6模型代码:https://github.com/meituan/YOLOv6/tree/0.2.0
Yolov6论文:https://arxiv.org/abs/2209.02976
YOLO系列的代码中都会给出所需功能包以及版本信息的“requirements.txt”文件,进入自己准备跑模型的环境,cd到yolo项目目录下,执行安装指令即可自动安装“requirements.txt”文件里列举的功能包:
cd YOLOv6
pip install -r requirements.txt
注意:如果需要使用GPU来推理,再次之前需要安装电脑对应的显卡驱动、CUDA、cudnn以及GPU版本的torch。(关于这部分的操作请参考本人另一篇博客:GPU版本PyTorch详细安装教程)
环境配置完成后可以使用官方的权重来进行测试,以检查基础环境部署是否正确:
(下载官方权重直接点击README中性能对比表中想要的权重名即可跳转下载:)
测试指令:
python tools/infer.py --weights yolov6s.pt --source img.jpg / imgdir
注意:目前还不支持调用摄像头来检测
可以观察一下YOLOv6项目的结构,会发现不同寻常,就像上面的测试步骤,作者将推理、训练、评估的代码放在了tools下,而项目中又又一个yolov6的子文件夹,里面放了很多的功能函数。这复杂的结构也就导致了在调用过程中的一些错误:
这点其实认真看报错问题就能解决,作者在源码中没考虑到文件夹的结构,一些参数的加载路径错误,比如下图的几个路径,由于作者将推理、训练、评估的代码放在了tools下,所以调用上级目录的文件时要在前面加上"…/":
这个报错还是一样的问题,官方代码写错路径了,具体在yolov6/core/inferer.py程序中,在244行,这个路径前面也加个".",正确的代码如下图所示:
修改后,在运行测试指令即可:
在官方的README中推荐的是coco格式的数据集,我在训练时使用的是VOC数据集,关于数据集的标注这里就不讲解了,和YOLOv5类似。导出的标签可以导出XML格式,在使用转换脚本将XML标签转换成yolo需要的txt标签,并自动整理voc数据集的格式,下面将转换脚本分享给大家:(脚本是部署yolov5时用的,最终生成的文件以yolov5命名,不是bug,不影响使用!)
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import random
from shutil import copyfile
classes=["A","B"] #标签标注时的name
TRAIN_RATIO = 80 #数据集划分比:训练80%
def clear_hidden_files(path):
dir_list = os.listdir(path)
for i in dir_list:
abspath = os.path.join(os.path.abspath(path), i)
if os.path.isfile(abspath):
if i.startswith("._"):
os.remove(abspath)
else:
clear_hidden_files(abspath)
def convert(size, box):
dw = 1./size[0]
dh = 1./size[1]
x = (box[0] + box[1])/2.0
y = (box[2] + box[3])/2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x*dw
w = w*dw
y = y*dh
h = h*dh
return (x,y,w,h)
def convert_annotation(image_id):
in_file = open('VOCdevkit/VOC2007/Annotations/%s.xml' %image_id) #只用修改这里加载的XML标签地址即可,执行脚本后会自动生成标准的VOC格式数据集
out_file = open('VOCdevkit/VOC2007/YOLOLabels/%s.txt' %image_id, 'w')
tree=ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
bb = convert((w,h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
in_file.close()
out_file.close()
wd = os.getcwd()
wd = os.getcwd()
data_base_dir = os.path.join(wd, "VOCdevkit/")
if not os.path.isdir(data_base_dir):
os.mkdir(data_base_dir)
work_sapce_dir = os.path.join(data_base_dir, "VOC2007/")
if not os.path.isdir(work_sapce_dir):
os.mkdir(work_sapce_dir)
annotation_dir = os.path.join(work_sapce_dir, "Annotations/")
if not os.path.isdir(annotation_dir):
os.mkdir(annotation_dir)
clear_hidden_files(annotation_dir)
image_dir = os.path.join(work_sapce_dir, "JPEGImages/")
if not os.path.isdir(image_dir):
os.mkdir(image_dir)
clear_hidden_files(image_dir)
yolo_labels_dir = os.path.join(work_sapce_dir, "YOLOLabels/")
if not os.path.isdir(yolo_labels_dir):
os.mkdir(yolo_labels_dir)
clear_hidden_files(yolo_labels_dir)
yolov5_images_dir = os.path.join(data_base_dir, "images/")
if not os.path.isdir(yolov5_images_dir):
os.mkdir(yolov5_images_dir)
clear_hidden_files(yolov5_images_dir)
yolov5_labels_dir = os.path.join(data_base_dir, "labels/")
if not os.path.isdir(yolov5_labels_dir):
os.mkdir(yolov5_labels_dir)
clear_hidden_files(yolov5_labels_dir)
yolov5_images_train_dir = os.path.join(yolov5_images_dir, "train/")
if not os.path.isdir(yolov5_images_train_dir):
os.mkdir(yolov5_images_train_dir)
clear_hidden_files(yolov5_images_train_dir)
yolov5_images_test_dir = os.path.join(yolov5_images_dir, "val/")
if not os.path.isdir(yolov5_images_test_dir):
os.mkdir(yolov5_images_test_dir)
clear_hidden_files(yolov5_images_test_dir)
yolov5_labels_train_dir = os.path.join(yolov5_labels_dir, "train/")
if not os.path.isdir(yolov5_labels_train_dir):
os.mkdir(yolov5_labels_train_dir)
clear_hidden_files(yolov5_labels_train_dir)
yolov5_labels_test_dir = os.path.join(yolov5_labels_dir, "val/")
if not os.path.isdir(yolov5_labels_test_dir):
os.mkdir(yolov5_labels_test_dir)
clear_hidden_files(yolov5_labels_test_dir)
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'w')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'w')
train_file.close()
test_file.close()
train_file = open(os.path.join(wd, "yolov5_train.txt"), 'a')
test_file = open(os.path.join(wd, "yolov5_val.txt"), 'a')
list_imgs = os.listdir(image_dir) # list image files
prob = random.randint(1, 100)
print("Probability: %d" % prob)
for i in range(0,len(list_imgs)):
path = os.path.join(image_dir,list_imgs[i])
if os.path.isfile(path):
image_path = image_dir + list_imgs[i]
voc_path = list_imgs[i]
(nameWithoutExtention, extention) = os.path.splitext(os.path.basename(image_path))
(voc_nameWithoutExtention, voc_extention) = os.path.splitext(os.path.basename(voc_path))
annotation_name = nameWithoutExtention + '.xml'
annotation_path = os.path.join(annotation_dir, annotation_name)
label_name = nameWithoutExtention + '.txt'
label_path = os.path.join(yolo_labels_dir, label_name)
prob = random.randint(1, 100)
print("Probability: %d" % prob)
if(prob < TRAIN_RATIO): # train dataset
if os.path.exists(annotation_path):
train_file.write(image_path + '\n')
convert_annotation(nameWithoutExtention) # convert label
copyfile(image_path, yolov5_images_train_dir + voc_path)
copyfile(label_path, yolov5_labels_train_dir + label_name)
else: # test dataset
if os.path.exists(annotation_path):
test_file.write(image_path + '\n')
convert_annotation(nameWithoutExtention) # convert label
copyfile(image_path, yolov5_images_test_dir + voc_path)
copyfile(label_path, yolov5_labels_test_dir + label_name)
train_file.close()
test_file.close()
关于数据集的制作不再多说,VOC数据集制作也有很多教程
这里注意路径,以及与训练权重的加载,关于’–batch-size’和’–workers’根据自己电脑的性能而定,例如:
如果报错:RuntimeError: CUDA out of memory. Tried to allocate 200.00 MiB (GPU 0; 4.00 GiB total capacity; 2.88 GiB already allocated; 0 bytes free; 2.89 GiB reserved in total by PyTorch)
就减小’–batch-size’。
如果报错:页面太小、无法完成操作。
就减小’–workers’
分析及解决:
根据报错信息,指的是“Trainer”类中没有“epoch”这个类或者参数,追溯到yolov6/core/engine.py程序的“Trainer”类中:
在261行,程序调用了“self.epoch”,如下:
继续向上追溯问题的起因,惊奇的发现:在这个类中,并没有定义“epoch”这个属性!!!所以导致了无法调用,非常低级的错误!!!解决方法也很简单,在类的初始化中定义一下这个属性即可,其实epoch并不陌生,是“args”中定义的参数,因此,如下图,从“args”获取参数传给epoch属性即可:
最近正在部署yolov6的tensorRT加速,这部分内容后续整理完毕会更新出来!