YOLO系列环境配置及训练

目录

前言

一、下载所需

1、Anaconda安装

2、NVIDIA 驱动程序安装

3、CUDA安装

4、CUDNN下载及配置

二、环境配置 

1、虚拟环境创建

2、Pytorch安装

3、pycharm环境切换及剩余库的安装

4、YOLO代码的测试及训练配置步骤

(1)测试

(2)数据集准备

(3)开始训练

补充

可能报错及解决:


前言

        为方便整理,一下以最经典的YOLOv5为基准,其他YOLO系列代码亦可参考以下步骤

一、下载所需

1、Anaconda安装

        Anaconda下载地址:Free Download | Anaconda

YOLO系列环境配置及训练_第1张图片         正常下载后,我们一路默认安装即可(PS:安装路径可自行选择,为方便下面的路径叙述,本文采用默认安装路径C:\ProgramData\anaconda3),接下来找到系统的环境变量板块,如下:YOLO系列环境配置及训练_第2张图片

         进入“环境变量”编辑YOLO系列环境配置及训练_第3张图片

        进入系统变量的Path:YOLO系列环境配置及训练_第4张图片

        找到Anaconda安装的目录,并将下面四个文件夹的地址录入Path:YOLO系列环境配置及训练_第5张图片

确定保存后,我们进入Anaconda Prompt,并输入下方命令检查安装情况:

conda --version

若出现conda及其对应版本,则视为成功:

YOLO系列环境配置及训练_第6张图片

2、NVIDIA 驱动程序安装

        NVIDIA 驱动程序下载:官方驱动 | NVIDIA

根据电脑配置搜索并下载安装:YOLO系列环境配置及训练_第7张图片

YOLO系列环境配置及训练_第8张图片

安装完毕后,进入Anaconda Prompt 输入,如下指令查看显卡支持的最高CUDA版本:

nvidia-smi

YOLO系列环境配置及训练_第9张图片

3、CUDA安装

        CUDA下载地址:CUDA Toolkit Archive | NVIDIA Developer

为与后面的Pytorch安装做准备,请务必进入Pytorch官网查看对应CUDA版本要求 

        Pytorch官网:PyTorch

YOLO系列环境配置及训练_第10张图片

例如上图,我们选择对应的CUDA版本下载: 

YOLO系列环境配置及训练_第11张图片

 进入后,按照电脑配置依次选择:

YOLO系列环境配置及训练_第12张图片下载完成后打开安装包,安装路径选择默认即可,并选择自定义,全选,等待安装完毕:

YOLO系列环境配置及训练_第13张图片

YOLO系列环境配置及训练_第14张图片YOLO系列环境配置及训练_第15张图片 

4、CUDNN下载及配置

        CUDNN下载地址:cuDNN Archive | NVIDIA Developer 选择对应的CUDA版本下载 

YOLO系列环境配置及训练_第16张图片

YOLO系列环境配置及训练_第17张图片

 下载完成 并 解压缩后,将其如下三个文件夹内的 内容,拷贝一份进CUDA安装目录下的对应文件夹中:YOLO系列环境配置及训练_第18张图片

二、环境配置 

1、虚拟环境创建

YOLO系列环境配置及训练_第19张图片

        进入Anaconda Prompt 输入,如下指令:

conda create --name {自己命名的环境名称} {追加指定Python版本}

例如:
conda create --name road python=3.8

        输入 “Y” 继续:YOLO系列环境配置及训练_第20张图片

结束后可输入以下命令查看所有环境,以及进入所需环境:

查看环境

conda env list

YOLO系列环境配置及训练_第21张图片

进入环境

activate road

如下,前置括号显示环境名则视为成功进入:YOLO系列环境配置及训练_第22张图片

2、Pytorch安装

pytorch官网: PyTorch

根据之前的CUDA版本选择后,复制框内命令:YOLO系列环境配置及训练_第23张图片

粘贴至 已切换到虚拟环境的Anaconda Prompt中进行 torch的安装,中途输入“Y”继续:YOLO系列环境配置及训练_第24张图片

安装完毕后,在终端依次输入如下命令检查,若为“True”,则视为成功: 

3、pycharm环境切换及剩余库的安装

        打开pycharm,在右下角进入环境选择:YOLO系列环境配置及训练_第25张图片

 YOLO系列环境配置及训练_第26张图片

        选择完后,确定即可

下载一份YOLOv5源码,并在Pycharm中打开:GitHub - ultralytics/yolov5: YOLOv5 in PyTorch > ONNX > CoreML > TFLite

找到主目录下的requirements.txt,并注释掉torch的安装(默认会下载CPU版本,固在上面独立安装torch):YOLO系列环境配置及训练_第27张图片

 在已切换至对应环境的Anaconda Prompt中,将路径切换至requirements.txt对应目录下,并输入如下命令(若因网络问题,可临时换源进行下载):

pip install -r requirements.txt

临时换源安装:
pip install -r requirements.txt -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

 等待剩余库安装完毕即可

4、YOLO代码的测试及训练配置步骤

(1)测试

        我们找到主目录下的detect.py文件直接运行测试,如下图所示,runs/detect中有运行结果,则视为成功:YOLO系列环境配置及训练_第28张图片

(2)数据集准备

        准备一份数据集(有图片及对应的标签),按如下分配方式将图片放至images文件夹中,标签文件放至labels文件夹中:

YOLO系列环境配置及训练_第29张图片

YOLO系列环境配置及训练_第30张图片

在images文件夹中,将图片按照比例分至train,val文件夹中(如有需要可再增加test文件夹) ,labels文件夹中对应的标签文件做同样的处理:YOLO系列环境配置及训练_第31张图片

YOLO系列环境配置及训练_第32张图片

注意: 各个标签文件夹中为保险起见,都加入名为classes.txt的文件,里面按列保存所有标签名YOLO系列环境配置及训练_第33张图片

数据集准备完毕后,我们在data中新建一个后缀为.yaml的文件,内容如下:(路径不得含有中文)

YOLO系列环境配置及训练_第34张图片

 接着,在models文件夹中选择自己所需的模型配置文件,并打开修改里面的标签类型总数:YOLO系列环境配置及训练_第35张图片

(3)开始训练

最后在train.py文件的parse_opt函数中修改一下对应参数:

从上到下依次为 ①权重文件;②模型配置文件③模型配置文件;④训练轮数设置;⑤显存占用大小设置(就是一次往GPU哪里塞多少张图片);⑥线程数设置;YOLO系列环境配置及训练_第36张图片

其中,第一行所需的weights权重文件可在YOLO官方文档中下载: 

GitHub - ultralytics/yolov5: YOLOv5 in PyTorch > ONNX > CoreML > TFLite

YOLO系列环境配置及训练_第37张图片

 设置好后,则可以运行train.py开始训练

 若出现以下界面则视为成功:YOLO系列环境配置及训练_第38张图片

补充

可能报错及解决:

若出现以下错误:

ImportError: Failed to initialize: Bad git executable. 

可在train.py文件的头部加上下面代码解决:

os.environ["GIT_PYTHON_REFRESH"] = "quiet"

YOLO系列环境配置及训练_第39张图片

你可能感兴趣的:(Python基础,YOLO,YOLO,深度学习,人工智能,Anaconda,CUDA)