pytorch yolov3 推理和训练环境搭建

本文基于anaconda python3.8.5环境搭建

关于环境的安装参考

keras&tensorflow @ubuntu18.04开发环境安装_tugouxp的专栏-CSDN博客前面尝试在windows10上安装keras&tensorflow开发环境，总体上感觉还是比较麻烦的，今天抽时间在ubuntu18.04上安装了一把，很快就搞定了回归训练的模型，发现anaconda对Linux环境是比较友好的，以后可以在Linux下干活了。现在简要介绍一下搭建环境并执行回归训练用例的过程下载anaconda我选择的版本是https://repo.anaconda.com/archive/Anaconda3-2020.11-Linux-x86_64.shhttps:/https://blog.csdn.net/tugouxp/article/details/120464891

下载环境

首先下载pytorch yolov3的推理和训练开发环境

git clone https://github.com/ultralytics/yolov3

我们在默认的主分支上耍

安装依赖包 

执行:

pip install -r ./requirements.txt

有几个比较大的包，比如torch，opencv等需要花比较长的时间安装。

根据仓库提供的介绍， ultralytics/yolov3 仓库包含两个主要分支，master分支前向兼容yolov5模型算法，是它官方推荐的使用分支，而另一个archive分支后向兼容老的backward darknet 格式的模型文件，并且此分支不在维护，所以不推荐使用。

既然如此，我们使用master分支。

推理

目录中的detect.py 执行推理过程，并将结果保存在runs/detect目录下

输入命令

python detect.py --source data/images --weights yolov3.pt --conf 0.25

进行推理，此命令首先会从以下地址下载权重文件

https://github.com/ultralytics/yolov3/releases/download/v9.5.0/yolov3.pt

 如果环境本身的下载过程比较慢，你也可以用迅雷等快一些的下载工具下载过来，在放入目录，此后执行命令检测到文件存在，则会PASS调下载环节。

命令成功执行后，显示如下：

 根据输出，我们知道模型从bus.jpg和zidane.jpg中得到了检测结果

image 1/2 /home/caozilong/Workspace/yolov3/data/images/bus.jpg: 640x480 4 persons, 1 bus, Done. (0.490s)
image 2/2 /home/caozilong/Workspace/yolov3/data/images/zidane.jpg: 384x640 2 persons, 3 ties, Done. (0.385s)

并将检测结果放在了run/detect/exp18目录下

训练：

执行命令

python train.py --data coco.yaml --cfg yolov3.yaml --weights '' --batch-size 24

开始进行训练

这是在另一个PC下搭建环境的推理结果：

对比上面两幅图可以看出，他们的推理结论完全相同，这说明同一个模型在同样的权重配置下，结果是确定的。

---

结束