YOLOv5模型环境搭建及使用google colab训练

环境搭建

环境

• ubuntu 18.04 64bit
• GTX 1070Ti
• anaconda with python 3.8
• pytorch 1.7.1
• cuda 10.1
• yolov5 5.0.9

为了方便使用 yolov5
目标检测，有网友已经将其做成了库，提交到了官方的索引库 pypi
上，这样，我们就可以直接使用 pip进行安装了，其项目地址: https://github.com/fcakyon/yolov5-pip

安装

首先创建一个干净的 python
虚拟环境

conda create -n yolov5pip python=3.8
conda activate yolov5pip

如果 python
版本大于3.7，直接使用 pip
安装

pip install yolov5

如果 python
的版本是3.6的话，需要安装指定版本的 numpy
和 matplotlib

pip install "numpy>=1.18.5,<1.20" "matplotlib>=3.2.2,<4"
pip install yolov5

命令行的使用

yolov5
库安装好后，同时会生成 yolov5
的命令行工具，其使用方法与源码中的 detect.py
非常类似，如下

yolov5 detect --source 0 # webcam
file.jpg # image
file.mp4 # video
path/ # directory
path/*.jpg # glob
rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa # rtsp stream
rtmp://192.168.1.105/live/test # rtmp stream
http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8 # http stream

测试发现，cpu的环境下，图片、视频检测都没问题，但是如果使用 gpu的话，就会报错了，这可能是目前版本的 bug

YOLOv5 2021-9-15 torch 1.7.1+cu101 CUDA:0 (NVIDIA GeForce GTX 1070 Ti, 8116.4375MB)
Fusing layers…
Model Summary: 283 layers, 7276605 parameters, 0 gradients
Traceback (most recent call last):
File “/home/xugaoxiang/anaconda3/envs/yolov5pip/bin/yolov5”, line 8, in
sys.exit(app())
File “/home/xugaoxiang/anaconda3/envs/yolov5pip/lib/python3.8/site-packages/yolov5/cli.py”, line 11, in app
fire.Fire(
File “/home/xugaoxiang/anaconda3/envs/yolov5pip/lib/python3.8/site-packages/fire/core.py”, line 141, in Fire
component_trace = _Fire(component, args, parsed_flag_args, context, name)
File “/home/xugaoxiang/anaconda3/envs/yolov5pip/lib/python3.8/site-packages/fire/core.py”, line 466, in _Fire
component, remaining_args = _CallAndUpdateTrace(
File “/home/xugaoxiang/anaconda3/envs/yolov5pip/lib/python3.8/site-packages/fire/core.py”, line 681, in _CallAndUpdateTrace
component = fn(*varargs, **kwargs)
File “/home/xugaoxiang/anaconda3/envs/yolov5pip/lib/python3.8/site-packages/torch/autograd/grad_mode.py”, line 26, in decorate_context
return func(*args, **kwargs)
File “/home/xugaoxiang/anaconda3/envs/yolov5pip/lib/python3.8/site-packages/yolov5/detect.py”, line 120, in run
model(torch.zeros(1, 3, *imgsz).to(device).type_as(next(model.parameters()))) # run once
TypeError: zeros() argument after * must be an iterable, not int

除了 detect检测之外，yolov5还支持 train、val和export

模型训练的命令如下

yolov5 train --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 64
                                yolov5m                                40
                                yolov5l                                24
                                yolov5x                                16

另外关于 val和 export命令的使用，可以通过 --help来查看其具体支持的参数，如

yolov5 export --help

在Python中使用

库安装好了，就可以在 python中调用了，来看个最简单的示例

# 导入模块
import yolov5

# 载入模型
model = yolov5.load('yolov5s.pt')

# 待检测的图片
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 推理，默认参数
# results = model(img)

# 使用特定尺寸进行推理
# results = model(img, size=1280)

# 数据增强，能够检测出更多的目标，当然也有可能出现误检
results = model(img, augment=True)

# 检测结果数据解析，所属类别、置信度、目标位置信息
predictions = results.pred[0]
boxes = predictions[:, :4] # x1, x2, y1, y2
scores = predictions[:, 4]
categories = predictions[:, 5]

# 显示检测结果
results.show()

# 保存检测结果图片
results.save(save_dir='results/')

将官方提供的 yolov5s模型下载下来，然后执行上述脚本，检测结果如下

由于使用了 augment参数，检测结果多了个 person，默认参数的检测结果与原版 yolov5检测结果一致

使用GPU加速检测

首选需要安装 gpu版本的 pytorch，这里选择 1.7.1

pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

跟原版一样，通过 device参数来指定 cuda加速

from yolov5 import YOLOv5

# 模型路径
model_path = 'yolov5s.pt'

device = "cuda" # or "cpu"

# 模型初始化
yolov5 = YOLOv5(model_path, device)

# 待检测图片
image = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 推理，默认参数
results = yolov5.predict(image)

# 使用特定尺寸进行推理
results = yolov5.predict(image, size=1280)

# 数据增强，能够检测出更多的目标，当然也有可能出现误检
# results = yolov5.predict(image, augment=True)

# 多个参数一起使用
# results = yolov5.predict(image, size=1280, augment=True)

# 如果需要检测多张图片的话，可以使用列表
# results = yolov5.predict([image1, image2], size=1280, augment=True)

# 检测结果数据解析，所属类别、置信度、目标位置信息
predictions = results.pred[0]
boxes = predictions[:, :4] # x1, x2, y1, y2
scores = predictions[:, 4]
categories = predictions[:, 5]

# 显示检测结果
results.show()

# 保存检测结果
results.save(save_dir='results/')

使用google colab训练YOLOv5模型

colab是什么

colab是google提供的一个jupyter notebook工具，支持google drive、tensorflow在内的google全家桶，主要用于机器学习的开发和研究。colab最大的好处是给广大的AI开发者提供免费的gpu资源，可以在上面非常轻松地运行如tensorflow、pytorch、keras等深度学习框架。

YOLOv5模型训练

来到google drive，点击左上方的New

创建一个新的文件夹colab

接下来，将准备好的口罩数据集上传到colab文件夹中，这个数据集，前面我们在YOLOv5模型训练的时候用过，可以到下面的地址下载

原始链接 https://public.roboflow.ai/object-detection/mask-wearing

接下来创建colab，点击New --> More --> Google Colaboratory

创建好notebook后，需要来到 修改 --> 笔记本设置 设置gpu加速

硬件加速器，选择GPU，保存

点击右上角的 连接，选择 连接到托管代码执行程序。

GPU环境设置好后，我们就可以在notebook中查看colab提供的gpu资源了，使用!nvidia-smi命令

可以看到google提供的硬件是是tesla P100，显存是16G。貌似每次colab分配的gpu是不一样的，有时候是P100，有时候是T4

下面看看pytorch的安装情况，执行

import torch
torch.__version__

可以看到平台已经默认安装，且版本是1.6，CUDA的版本是10.1

如果需要安装第三方库，可以在单元格中直接安装，如!pip3 install torchvision

接下来就把google drive挂载过来，这样就可以在colab中使用google drive中的资源了

import os
from google.colab import drive
drive.mount('/content/drive')

path = "/content/drive/My Drive"

os.chdir(path)
os.listdir(path)

执行上述单元格中的代码，会要求进行输入验证码

google drive就会被挂载到目录/content/drive，后续就可以对google drive里的文件进行操作了

准备工作搞定好，我们就可以下载YOLOv5的源码了，在单元格中执行

git clone https://github.com/ultralytics/yolov5.git

然后切换到google drive，修改yolov5/models/yolov5s.yaml，将原来的nc: 80改为nc: 2

然后就可以来到colab，进入到yolov5目录，在单元格中执行训练命令

python train.py --data ../mask/data.yaml --cfg models/yolov5s.yaml --weights '' --batch-size 64

训练时，出现了pyyaml模块的一个错误，这是由于pyyaml版本过低的原因，我们升级下就可以解决

pip install -U pyyaml

继续训练