安装YOLO
Win10+3080，主要参考原repo，先拉下来：
git clone https://github.com/ultralytics/yolov5
cd yolov5
安装conda，不赘述，然后建个环境比如yolov5。
conda create -n yolov5 python=3.9
conda activate yolov5
别急着pip，这里有坑，先自己安装Pytorch吧，去官网选择，怎么看cuda版本之前文章说过。
然后：
# -c后面的不需要
conda install pytorch torchvision torchaudio cudatoolkit=11.6
把requirements.txt里的注释掉。
一开始因为没这么做，导致训练根本不使用
GPU。
再安装一个
wandb，这是个实时可视化的插件，YOLO已经集成了，需要联网，不过还挺流行。
pip install wandb
需要去wandb.ai注册账号并去wandb.ai/authorize复制一个API key，然后运行并输入登陆一下：
import wandb
wandb.login
然后当前电脑就不需要再登录了，永远记住。然后只要项目跑了，就可以在网页上进行监测管理，可自行探索研究。
如果需要每5个
epoch保存模型，运行的时候加入参数--save-period 5，不过什么都传到网上，总感觉不太好。--project mywandbname可以修改项目名称。
另外可以通过这命令进行关闭开启：
wandb disabled
wandb online
当然了还有其它可视化方案，如tensorboard，本地集成了，也还行。
准备数据
图片和标注自己弄，可以去kaggle下载。有一些教程推荐在线数据集管理工具Roboflow，看起来功能是不错，但是网页上传下载国内真的慢，并且好功能是收费的，一个月上千刀呢。
所以还是用labelme吧，怎么使用以后再补，假设已经标注好了，并且转换成了YOLO的中心点格式。这时候开始组织目录并编写mydatasetname.yaml，放在如下yolov5/data目录下。然后看下图，datasets是与yolov5同一层的目录，作为图片和标注文件的根目录。识别种类务必从0开始编号。
train/val/test也可以是包含图片列表的txt文件，可参考自带的其它yaml文件。再看下，目录组织如图：
记住任何时候都把
images和labels并列，图片和标注的文件名也必须相同，系统会自动去替换寻找。
另外还可以使用自带的
train/val/test分拆函数autosplit，指定到图片目录，然后会自动分拆图片和标签文件，如下：
>>> from utils.dataloaders import *;
>>> autosplit('datasets/images')
会生成txt文件，把路径写到之前的yaml里就行。
最后，最好别读取云盘数据来训练，慢。
训练
其实就可以了，选择模型，丰俭由人，不如mobile可以选择s/m。
开始运行：
python train.py --img 640 --batch 16 --epochs 3 --data mydatasetname.yaml --weights yolov5s.pt
按照官方建议，训练中小数据集，建议采用预训练的权重；训练大的，建议从头开始，这时候的参数要改下，使用空权重，但得通过--cfg使用模型架构参数：
python train.py --img 640 --batch 16 --epochs 3 --data mydatasetname.yaml --weights '' --cfg yolov5s.yaml
使用随机权重，可能会出现val loss为NaN的情况，当时折腾了很久，搜到一个方法，修改classify/train.py，然后就正常出数了。
# 43.135.153.188/ultralytics/yolov5/issues/6907
# www.johngo689.com/20424/
如果模型修改了，与预训练权重不完全匹配，程序也会自动读取匹配到的权重，挺智能的，只不过不一定管用，毕竟权重参数是集体发力的。在日志里可以看到迁移了多少参数，如Transferred 306/311 items from yolov5s.pt。另外，如果mydatasetname.yaml的预测种类数与yolov5s.yaml不相同，会自动覆盖，日志显示：Overriding model.yaml nc=80 with nc=XX。
--cache ram可以使用内存加速训练，但测试时32G内存居然出错了。
--epochs可以选择300，观察是否过拟合了，如果没有，可以增加。
--batch尽可能大，发挥批量归一化的效果，不过对显存也提出高要求了。有个疑问，看代码，这个参数格式应该是--batch-size，反正都管用。
img参数，一般640就够了，但是如果图片里有很多小物体，可以选择1280。记住推理的时候也得改成1280。
--freeze 10参数，可以用来冻结预训练模型的一些层，具体模型有哪些层，可以想办法打印，或者去models目录查看，从backbone到head都可以冻结。
--name myexpname可以修改结果目录，默认为exp并自增编号。
--upload_data val会上传验证数据到wandb，方便查看。不过看代码是--upload_dataset，已经好几个参数与源代码对不上的情况了。
问题
- 报错什么页面错误，忘了截图，去掉
--cache ram就好了，哎，32GB的内存都不能打了。 -
冒出这个错误：
image.png
根据提示可以：
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE
但是好像不好，猜测是文件冲突，于是这样解决：
说到这个，
mac在安装环境时，如果import torch发生这个错误：
from torch._C import * # noqa: F403
ImportError: dlopen blabla...
可以brew install libomp下。
- 报错
RuntimeError: no valid convolution algorithms available in CuDNN
好像是batch size过大，从32改成16试试就行了，哎，3080真的提不动刀了。 - 如果各种连接错误，是不是梯子导致的？关掉试试。
跑起来了
终于GPU的风扇起来了。
推理
去wandb查看训练结果：
可以看看各种指标，如果训练到最后几乎没什么改进了，训练也会自动停止。
在
wandb和本地都能看到tensorboard的输出结果。
再看训练好的模型：
这个
best.pt可以用来推理。
可以先验证一下：
python val.py --weights runs\train\5m-bs32-ep53\weights\best.pt --data mydatasetname.yaml --img 640
然后用来测试：
python detect.py --weights runs\train\5m-bs32-ep53\weights\best.pt --source ..\datasets\mydatasetname\images\test
--weights参数可以是多个模型，这样就进行集成了，挺方便。推理结果会保存到runs\detect\，可以加上--save-txt以导出文本结果到labels目录。--conf 0.25修改置信度阈值，筛除低置信度的框子，--iou-thres 0.45修改IoU阈值，这个如果没猜错的话，是用于NMS吧？还可以用上数据增强TTA，加上--augment，同时放大尺寸--img 832，耗时会变多，不过效果还是有改观的。具体做了什么增强，可以看代码：
看起来就是缩放+翻转，也可以自定义调整。
超参数设置
默认的超参数一般够用。在data/hyps目录下，有一些超参数配置，可以自行修改，比如有的项目关掉mosaic增强的flip。另外，训练时加上--evolve，可以进行超参数搜寻，可以用--hyp指定配置，默认跑300代，结果存在runs/evolve目录。超参数的寻找非常贵，在wandb的runs`里可以看到，其实就是一遍遍的跑。
结合Flask
原repo自带，可以通过网页来识别图片。
python utils/flask_rest_api/restapi.py --port 5000 --model yolov5n
然后POST发个图片就能得到识别结果的json：
$ curl -X POST -F [email protected] 'http://localhost:5000/v1/object-detection/yolov5n'