yolov8训练

文章目录

  • 0. 环境
  • 1. ultralytics\cfg\datasets\VOC.yaml 数据集配置
  • 2. ultralytics\cfg\models\v8\yolov8.yaml 网络结构配置
  • 3. ultralytics\cfg\default.yaml 训练配置
  • 4. 将voc图像标注转换为yolo格式
  • 5. 训练
  • 5. bug
    • 5.1 训练时box_loss和cls_loss都为nan值 && p r map的值都是0

0. 环境

  1. cuda环境
  2. 下载NVIDIA显卡驱动
  • 输入设备显卡型号搜索适合的驱动下载安装
  1. 安装好后cmd窗口输入nvidia-smi查看可安装的最高版本cuda(右上角版本号)

    • (或者win+s 搜索nvidia control panel 控制面板->左上菜单帮助->系统信息->左上角组件->查看3d设置NVCUDA64.dll产品名称对应的cuda版本即为可安装的最高cuda版本)
  2. 下载并安装合适版本cuda

  3. 下载并安装合适版本cudnn

  4. 安装好cuda和cudnn后,可通过nvcc -Vnvcc --version查看并验证cuda的版本

  5. pytorch环境

    1. 下载anaconda
      • 清华源
      • 官网
    2. 创建虚拟环境
      1. cmd窗口输入conda env list查看现有虚拟环境
      2. 输入conda create -n env_name python=x.x
      3. 激活创建的虚拟环境conda activate env_name
    3. 下载并安装合适版本pytorch
      • 在激活后的虚拟环境下conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.6 -c pytorch -c conda-forge
    4. 验证pytorch的安装是否成功
      • 在虚拟环境的终端依次输入
      • python # 进入python环境
      • import torch # 导入torch包
      • torch.cuda.is_available() # 查看cuda是否可用 返回true为可用
      • torch.__version__ # 查看torch版本
  6. yolov8环境

    1. 下载源码 git clone https://github.com/ultralytics/ultralytics.git
    2. 安装 虚拟环境下pip install ultralytics -i https://pypi.douban.com/simple/ (或者cd到E:\code\ultralytics\setup.py代码路径下python setup.py install
    • 可能遇到的报错 ERROR: Cannot uninstall 'PyYAML'. It is a distutils installed project and thus we cannot accurately determine which files belong to it which would lead to only a partial uninstall.
    • 网上看到的解决办法pip install PyYAML --ignore-installed,但再次安装ultralytics仍然报错
    • 后来发现可以先去本地把PyYAML的包先删掉再安装

如果是pip安装 删掉D:\Anaconda\Lib\site-packages PyYAML-6.0.1.dist-info
如果是caonda安装 删掉D:\Anaconda\pkgs pyyaml-3.13-py37hfa6e2cd_0 还有压缩包pyyaml-3.13-py37hfa6e2cd_0.tar也要删掉

  1. 以上下载若不成功请科学上网或者在网上找对应的包安装

也可以再在Users目录下给pip和conda换源后重新install

  • pip
    • C:\Users\Administrator用户目录下添加pip文件夹
    • 在文件夹下新建pip.ini文件最后加上以下信息
# This file has been autogenerated or modified by NVIDIA PyIndex.
# In case you need to modify your PIP configuration, please be aware that
# some configuration files may have a priority order. Here are the following 
# files that may exists in your machine by order of priority:
#
# [Priority 1] Site level configuration files
#	1. `D:\Anaconda\envs\python38\pip.ini`
#
# [Priority 2] User level configuration files
#	1. `C:\Users\Administrator\AppData\Roaming\pip\pip.ini`
#	2. `C:\Users\Administrator\pip\pip.ini`
#
# [Priority 3] Global level configuration files
#	1. `C:\ProgramData\pip\pip.ini`

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple/
[install]
trusted-host = mirrors.tsinghua.com
               pypi.ngc.nvidia.com
no-cache-dir = true
extra-index-url =
                  https://pypi.ngc.nvidia.com
  • conda
    • 记事本打开C:\Users\Administrator\.condarc文件
    • 在文件最后加上以下信息
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  deepmodeling: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/

1. ultralytics\cfg\datasets\VOC.yaml 数据集配置

  • 复制一份ultralytics\cfg\datasets\VOC_my.yaml

  • 修改训练、验证、测试数据集路径

  • 修改类别名称,不需要加双引号(注意类别名称要与txt标签对应)

2. ultralytics\cfg\models\v8\yolov8.yaml 网络结构配置

  • 复制一份ultralytics\cfg\models\v8\yolov8_my.yaml

  • 修改类别数目nc

  • 修改backbone和head里的输入输出参数(默认是yolov8n的)

3. ultralytics\cfg\default.yaml 训练配置

  • 复制一份ultralytics\cfg\default_copy.yaml(作为源码备份)

  • 直接修改ultralytics\cfg\default.yaml 的配置参数

  • Train settings

    • 修改model配置路径为 models\v8\yolov8_my.yaml
    • 修改data配置路径为 datasets\VOC_my.yaml
    • 修改epochs (整个数据集迭代次数)
    • 修改batch数 (每批次输入图像数目进行权重更新)
    • 修改imgsz (输入训练的图像尺寸)
    • 修改device (指定GPU为0 1…或者cpu)
    • 修改pretrained (是否使用预训练模型,可指定预训练模型路径)
    • 修改optimizer (选择合适的优化器,或默认自动选择)
    • single_cls (将多分类数据当单类检测训练)
  • Val/Test settings

    • 修改max_det (一张图中检测的最多目标数)
  • Prediction settings

    • show_labels/hide_labels (是否显示标签)
    • show_conf/hide_conf (是否显示置信度)
    • line_width (boundingbox的线宽)

4. 将voc图像标注转换为yolo格式

if not isinstance(_file_extension, list): # 判断_file_extension的类型是不是list
os.path.splitext(path) # 分割路径,返回路径名和文件扩展名的元组 ('点之前的路径','.点以及后缀') 
os.path.split(path)	# 把路径分割成 dirname 和 basename,返回一个元组 ('最后一个斜杠以及之前的路径','最后一个斜杠之后的文件名及点后缀')
...
  • 文件的存放形式:直接图片和标注放在同一个文件夹

5. 训练

  • 在项目终端输入以下指令
yolo cfg=ultralytics/cfg/default.yaml
# yolo task=detect mode=train model=E:\code\github\ultralytics\ultralytics\cfg\models\v8\yolov8_my.yaml data=E:\code\github\ultralytics\ultralytics\cfg\datasets\VOC_my.yaml epochs=100 batch=2
  • win nvidia-smi –l t 其中t为刷新频率的时间
  • ubuntu watch -n 1 nvidia-smi

5. bug

5.1 训练时box_loss和cls_loss都为nan值 && p r map的值都是0

Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
2/100     0.679G        nan        nan        nan          3       1024: 100%|██████████| 543/543 [03:39<00:00,  2.47it/s]
            Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 272/272 [00:43<00:00,  6.31it/s]
              all       1086       4304          0          0          0          0
  • \ultralytics\ultralytics\cfg\default.yaml
    • amp 设置为False amp: False # (bool) Automatic Mixed Precision (AMP) training, choices=[True, False], True runs AMP check
    • 修改后loss出现数值了,但是p r map等参数仍然都还是0;
  • 看网上的评论可能与显卡和cuda版本有关,换个环境训练后就没有这个问题了
    • 原环境win,1650,cuda11.6,pytorch1.12.1
    • 现环境Ubuntu20.04,cuda11.6,pytorch1.12.1

你可能感兴趣的:(深度,YOLO)