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

         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：

         进入“环境变量”编辑

        进入系统变量的Path：

        找到Anaconda安装的目录，并将下面四个文件夹的地址录入Path：

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：

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：

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

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

例如上图，我们选择对应的CUDA版本下载： 

 进入后，按照电脑配置依次选择：

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：

 

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 

 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：

二、环境配置 

1、虚拟环境创建

        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：

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

进入环境

activate road

如下，前置括号显示环境名则视为成功进入：

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：

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：

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：

 

        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)：

 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：

（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:

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：

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

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)

 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：

（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；

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

 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：

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"