YOLOv5 - Win10 + RTX3070 的 Train（ASUS 天选 air）

目录

准备数据：

开始训练：

查看训练结果：

测试训练好的模型：

小结：

---

安装设置好YOLOv5的环境，找一个小的数据集，测试一下train，看看RTX3070的训练效果。

准备数据：

下载 COCO128, 一个小的128图像的教程数据集，并解压在与yolov5相同的路径下。

开始训练：

(yolov5) C:\yolo\yolov5>python train.py --img 640 --batch 6 --epochs 16 --data data/coco128.yaml --weights weights/yolov5s.pt --nosave --cache
github: skipping check (not a git repository)
YOLOv5  torch 1.7.1 CUDA:0 (GeForce RTX 3070 Laptop GPU, 8192.0MB)

Namespace(adam=False, batch_size=6, bucket='', cache_images=True, cfg='', data='data/coco128.yaml', device='', epochs=16, evolve=False, exist_ok=False, global_rank=-1, hyp='data/hyp.scratch.yaml', image_weights=False, img_size=[640, 640], linear_lr=False, local_rank=-1, log_artifacts=False, log_imgs=16, multi_scale=False, name='exp', noautoanchor=False, nosave=True, notest=False, project='runs/train', quad=False, rect=False, resume=False, save_dir='runs\\train\\exp20', single_cls=False, sync_bn=False, total_batch_size=6, weights='weights/yolov5s.pt', workers=8, world_size=1)
Start Tensorboard with "tensorboard --logdir runs/train", view at http://localhost:6006/
hyperparameters: lr0=0.01, lrf=0.2, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=0.05, cls=0.5, cls_pw=1.0, obj=1.0, obj_pw=1.0, iou_t=0.2, anchor_t=4.0, fl_gamma=0.0, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=1.0, mixup=0.0

                 from  n    params  module                                  arguments
  0                -1  1      3520  models.common.Focus                     [3, 32, 3]
  1                -1  1     18560  models.common.Conv                      [32, 64, 3, 2]
  2                -1  1     18816  models.common.C3                        [64, 64, 1]
  3                -1  1     73984  models.common.Conv                      [64, 128, 3, 2]
  4                -1  1    156928  models.common.C3                        [128, 128, 3]
  5                -1  1    295424  models.common.Conv                      [128, 256, 3, 2]
  6                -1  1    625152  models.common.C3                        [256, 256, 3]
  7                -1  1   1180672  models.common.Conv                      [256, 512, 3, 2]
  8                -1  1    656896  models.common.SPP                       [512, 512, [5, 9, 13]]
  9                -1  1   1182720  models.common.C3                        [512, 512, 1, False]
 10                -1  1    131584  models.common.Conv                      [512, 256, 1, 1]
 11                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']
 12           [-1, 6]  1         0  models.common.Concat                    [1]
 13                -1  1    361984  models.common.C3                        [512, 256, 1, False]
 14                -1  1     33024  models.common.Conv                      [256, 128, 1, 1]
 15                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']
 16           [-1, 4]  1         0  models.common.Concat                    [1]
 17                -1  1     90880  models.common.C3                        [256, 128, 1, False]
 18                -1  1    147712  models.common.Conv                      [128, 128, 3, 2]
 19          [-1, 14]  1         0  models.common.Concat                    [1]
 20                -1  1    296448  models.common.C3                        [256, 256, 1, False]
 21                -1  1    590336  models.common.Conv                      [256, 256, 3, 2]
 22          [-1, 10]  1         0  models.common.Concat                    [1]
 23                -1  1   1182720  models.common.C3                        [512, 512, 1, False]
 24      [17, 20, 23]  1    229245  models.yolo.Detect                      [80, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [128, 256, 512]]
Model Summary: 283 layers, 7276605 parameters, 7276605 gradients, 17.1 GFLOPS

Transferred 362/362 items from weights/yolov5s.pt
Scaled weight_decay = 0.000515625
Optimizer groups: 62 .bias, 62 conv.weight, 59 other
wandb: (1) Create a W&B account
wandb: (2) Use an existing W&B account
wandb: (3) Don't visualize my results
[34m[1mwandb[0m: Enter your choice: 3
wandb: You chose 'Don't visualize my results'
wandb: Offline run mode, not syncing to the cloud.
wandb: W&B syncing is set to `offline` in this directory.  Run `wandb online` to enable cloud syncing.
train: Scanning '..\coco128\labels\train2017.cache' for images and labels... 128 found, 0 missing, 2 empty, 0 corrupted: 100%|█████████████████████████████| 128/128 [00:00 train: Caching images (0.1GB): 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████| 128/128 [00:00<00:00, 1085.08it/s]
val: Scanning '..\coco128\labels\train2017.cache' for images and labels... 128 found, 0 missing, 2 empty, 0 corrupted: 100%|███████████████████████████████| 128/128 [00:00 val: Caching images (0.1GB): 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 128/128 [00:00<00:00, 884.20it/s]
Plotting labels...  (0.1GB):  87%|█████████████████████████████████████████████████████████████████████████████████████████████████▏              | 111/128 [00:00<00:00, 952.78it/s]

autoanchor: Analyzing anchors... anchors/target = 4.26, Best Possible Recall (BPR) = 0.9946
Image sizes 640 train, 640 test
Using 6 dataloader workers
Logging results to runs\train\exp20
Starting training for 16 epochs...

      Epoch   gpu_mem       box       obj       cls     total   targets  img_size        P           R      [email protected]  [email protected]:.95  val/box_loss   val/obj_loss  val/cls_loss
 
      0/15     2.47G    0.0427   0.07469   0.02225    0.1396        28       640    0.6758    0.5909    0.6581     0.426   0.03921   0.04349   0.01277
      1/15     2.53G   0.04571   0.07464   0.02542    0.1458        28       640    0.6869    0.6051    0.6645    0.4353   0.03906   0.04335   0.01244
      2/15     2.53G    0.0452   0.06835   0.02362    0.1372        45       640    0.6903    0.6155    0.6701    0.4412   0.03872   0.04302   0.01207
      3/15     2.53G   0.04127   0.06385   0.02236    0.1275        22       640    0.6888    0.6434     0.686    0.4485   0.03845   0.04248    0.0115
      4/15     2.53G   0.04009   0.06566    0.0244    0.1301         6       640    0.7213     0.646    0.6943    0.4574   0.03818   0.04227   0.01077
      5/15     2.53G    0.0435   0.06908   0.01939     0.132        49       640    0.7007    0.6615    0.7026    0.4653   0.03774   0.04175   0.01008
      6/15     2.53G   0.04168   0.06535   0.01861    0.1256        47       640    0.7149    0.6687    0.7087    0.4772   0.03732   0.04117  0.009621
      7/15     2.53G   0.04235   0.06387   0.01916    0.1254        29       640    0.7247    0.6836     0.723    0.4818   0.03711   0.04064  0.009062
      8/15     2.53G   0.04326   0.07039   0.01931     0.133        53       640    0.7139    0.7008     0.732    0.4904   0.03689   0.03998  0.008568
      9/15     2.53G   0.04003   0.06277   0.01667    0.1195        13       640    0.7511    0.6914    0.7406    0.4981   0.03657   0.03946  0.008187
     10/15     2.53G   0.03966   0.06666   0.01602    0.1223        31       640    0.7257      0.71    0.7572    0.5103   0.03618   0.03924  0.007936
     11/15     2.53G   0.04282   0.06147   0.01623    0.1205        21       640    0.8134    0.6608    0.7613    0.5162   0.03588   0.03898  0.007673
     12/15     2.53G   0.04107    0.0633   0.01663     0.121        37       640    0.8086    0.6713    0.7706     0.522   0.03571   0.03846  0.007505
     13/15     2.53G   0.04147   0.06159   0.01675    0.1198        50       640    0.8059     0.672    0.7707    0.5219   0.03569   0.03823  0.007398
     14/15     2.53G   0.04068   0.06058   0.01719    0.1185        45       640    0.8475    0.6541     0.773    0.5251   0.03552   0.03794   0.00727
     15/15     2.53G   0.04068   0.05729   0.01563    0.1136        26       640    0.8296    0.6865    0.7775      0.53   0.03533   0.03783  0.007028

Optimizer stripped from runs\train\exp20\weights\last.pt, 14.8MB
Optimizer stripped from runs\train\exp20\weights\best.pt, 14.8MB
Images sizes do not match. This will causes images to be display incorrectly in the UI.
16 epochs completed in 0.025 hours.

wandb: Waiting for W&B process to finish, PID 13004
wandb: Program ended successfully.
wandb: Run summary:
wandb:         train/box_loss 0.04068
wandb:         train/obj_loss 0.05729
wandb:         train/cls_loss 0.01563
wandb:      metrics/precision 0.82962
wandb:         metrics/recall 0.6865
wandb:        metrics/mAP_0.5 0.77755
wandb:   metrics/mAP_0.5:0.95 0.53001
wandb:           val/box_loss 0.03533
wandb:           val/obj_loss 0.03783
wandb:           val/cls_loss 0.00703
wandb:                  x/lr0 0.00073
wandb:                  x/lr1 0.00073
wandb:                  x/lr2 0.06563
wandb:               _runtime 117
wandb:             _timestamp 1613960075
wandb:                  _step 16
wandb: Run history:
wandb:         train/box_loss ▅█▇▃▂▅▃▄▅▁▁▅▃▃▂▂
wandb:         train/obj_loss ██▅▄▄▆▄▄▆▃▅▃▃▃▂▁
wandb:         train/cls_loss ▆█▇▆▇▄▃▄▄▂▁▁▂▂▂▁
wandb:      metrics/precision ▁▁▂▂▃▂▃▃▃▄▃▇▆▆█▇
wandb:         metrics/recall ▁▂▂▄▄▅▆▆▇▇█▅▆▆▅▇
wandb:        metrics/mAP_0.5 ▁▁▂▃▃▄▄▅▅▆▇▇████
wandb:   metrics/mAP_0.5:0.95 ▁▂▂▃▃▄▄▅▅▆▇▇▇▇██
wandb:           val/box_loss ██▇▇▆▅▅▄▄▃▃▂▂▂▁▁
wandb:           val/obj_loss ██▇▇▆▆▅▄▄▃▃▂▂▂▁▁
wandb:           val/cls_loss ██▇▆▆▅▄▃▃▂▂▂▂▁▁▁
wandb:                  x/lr0 ▁▃▄▅▆▇████▇▇▆▅▅▅
wandb:                  x/lr1 ▁▃▄▅▆▇████▇▇▆▅▅▅
wandb:                  x/lr2 ██▇▇▆▆▅▅▄▄▃▃▂▂▁▁
wandb:               _runtime ▁▁▂▂▃▃▄▄▄▅▅▆▆▇▇██
wandb:             _timestamp ▁▁▂▂▃▃▄▄▄▅▅▆▆▇▇██
wandb:                  _step ▁▁▂▂▃▃▄▄▅▅▅▆▆▇▇██
wandb:
 

查看训练结果：

 

测试训练好的模型：

将训练好的最佳结果：best.pt，Copy到Weights路径下，进行测试：

(yolov5) C:\yolo\yolov5>python detect.py --source data/images --weights weights/best.pt --conf 0.25
Namespace(agnostic_nms=False, augment=False, classes=None, conf_thres=0.25, device='', exist_ok=False, img_size=640, iou_thres=0.45, name='exp', project='runs/detect', save_conf=False, save_txt=False, source='data/images', update=False, view_img=False, weights=['weights/best.pt'])
YOLOv5  torch 1.7.1 CUDA:0 (GeForce RTX 3070 Laptop GPU, 8192.0MB)

Fusing layers...
Model Summary: 224 layers, 7266973 parameters, 0 gradients, 17.0 GFLOPS
image 1/3 C:\yolo\yolov5\data\images\bus.jpg: 640x480 3 persons, 1 bus, Done. (0.022s)
image 2/3 C:\yolo\yolov5\data\images\gj.jpg: 480x640 Done. (0.016s)
image 3/3 C:\yolo\yolov5\data\images\zidane.jpg: 384x640 2 persons, 1 tie, Done. (0.016s)
Results saved to runs\detect\exp69
Done. (0.239s)

bus.jpg

小结：

开始取batch 16的时候，显存不够用，改为batch 6就可以进行训练了；--batch 6 --epochs 16的训练用了0.025 小时，也就是1.5分钟。估计epochs 600大约需要1小时。

                                                                                                                                                        老徐   2021/2/22