YOLOV5 代码复现以及搭载服务器运行

文章目录

• 前言
• 一、YOLO简介
• 二、代码下载
• 三、数据集准备
• 四、配置文件的修改
• • 1.data下的yaml
  • 2.models下的yaml
  • 3.训练train
• 五、搭载服务器训练
• • 1.上传数据
  • 2.租服务器
  • 3.pycharm连接服务器
  • • 1.添加ssh
    • 2.输入密码
    • 3.配置服务器环境路径跟代码映射路径
  • 4.解压数据
  • 5.开始训练
  • 6.文件下载到本地
• 六、测试
• 总结

---

在前面文章中提到，目标检测有两种方式，一种是one_stage（单阶段）如YOLO 一种是two_stage（双阶段）如Faster_Rcnn，Mask_Rcnn。之前介绍了Faster_Rcnn，这篇文章主要介绍YOLOV5 代码复现过程，以及配置文件的修改。

---

YOLO是目标检测的一种网络框架，检测速度非常快，适合做一些实时检测，YOLO现在经过几代版本的更迭，现在已经到了V5版本，V5提供了5l，5m，5s，5x几种版本，这篇文章使用5s的模型。

大家可以自行到百度网盘进行下载，附链接：

链接：百度网盘
提取码：qnn5

在上篇文章中，介绍了xml转txt文件的代码过程，可以自行查看，附链接：
代码
转换之后，还可以分成训练集跟测试集

images 放置文件
labels 放置txt文件
这里要注意的是，文件夹名称一定为images跟labels，原代码规定如下：

def img2label_paths(img_paths):    # Define label paths as a function of image paths    sa, sb = os.sep + 'images' + os.sep, os.sep + 'labels' + os.sep  # /images/, /labels/ substrings    return [sb.join(x.rsplit(sa, 1)).rsplit('.', 1)[0] + '.txt' for x in img_paths]

1.data下的yaml

修改data目录下面的VOCyaml文件，

修改前：path: ../datasets/VOCtrain: # train images (relative to 'path')  16551 images  - images/train2012  - images/train2007  - images/val2012  - images/val2007val: # val images (relative to 'path')  4952 images  - images/test2007test: # test images (optional)  - images/test2007修改后train: # train images (relative to 'path')  16551 images  - /mnt/wu/images/trainval: # val images (relative to 'path')  4952 images  - /mnt/wu/images/val

这里修改数据路径

修改前：nc: 20  # number of classesnames: ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog',        'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor']  # class names修改后：nc: 4  # number of classesnames: ["Traffic_Light_go","Traffic_Light_stop","Traffic_Light_warning",'Traffic_Light_ambiguous'] # class names

这里更改nc跟标签
nc：表示你训练的数据是几分类。

2.models下的yaml

这里使用的是5s的模型，更改yolov5s.yaml文件

这里只需要更改nc可以，代表你训练的数据是几分类。

3.训练train

1. 更改YOLOV5s模型的路径

parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')

更改上面修改过models的yaml文件路径

parser.add_argument('--cfg', type=str, default='models/traffic.yaml', help='model.yaml path')

更改上面修改过data的yaml文件路径

parser.add_argument('--data', type=str, default=ROOT / 'data/traffic.yaml', help='dataset.yaml path')

训练批次

parser.add_argument('--epochs', type=int, default=50)

批次大小，batch_size 如果在训练过程中出现显存不足可以降低batch_size的大小

parser.add_argument('--batch-size', type=int, default=64, help='total batch size for all GPUs, -1 for autobatch')

像YOLO这种深度框架，最好搭载服务器进行训练，博主使用的是矩池云，附链接矩池云
附邀请码：BQlYmrQhDiex1lZ

1.上传数据

租服务器之前，先上传数据，数据很大的话，租服务器之后上传会浪费时间，还费钱。
进入我的网盘，上传数据。

2.租服务器

这里选择显卡型号，进行租用。

环境选择yolov5环境，省去配环境的环节。

3.pycharm连接服务器

租用好之后，进入租用界面，显示租用服务器的详细信息。

这里使用ssh连接。

1.添加ssh

根据租用服务器的ssh链接，输入主机，用户名，端口。

2.输入密码

3.配置服务器环境路径跟代码映射路径

打开链接，进入终端。

输入conda env list查看环境路径

配置环境路径，代码映射路径
mnt路径下就是自己的网盘路径。

如图所示，配置完成。

4.解压数据

打开终端，cd到压缩数据集目录下，unzip 文件名 进行解压，如下图所示：

5.开始训练

等待代码全部上传至服务器之后，按照服务器数据集路径，修改data下面的yaml文件中数据集路径，就可以进行训练了。

如下图所示：就是搭载服务器进行训练。


如图所示，开始训练。


训练结束。

这个路径下就是训练产生的权值文件。


best.ph 是最好的权值文件。
last.ph 是最后一次训练的权值文件。

6.文件下载到本地

我们可以通过winscp这个软件，将训练的好的文件夹，下载到本地
1.输入主机名，端口号，用户名，密码，连接服务器

如图所示，连接成功

2.找到文件夹，下载到本地。

我们可以根据训练好的权重进行测试。
测试代码detect.py

权重文件路径

 parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs/train/exp6/weights/best.pt', help='model path(s)')

测试图片，视频路径，0表示开启摄像头。

parser.add_argument('--source', type=str, default="traffic.mp4", help='file/dir/URL/glob, 0 for webcam')

设置好之后就可以就行测试。



测试完成，会显示保存路径。
打开文件夹，查看效果。

以上就是YOLOV5 搭载服务器复现的全部过程，大家在复现过程中，遇到的问题，可以反馈到评论区。

来源地址：https://blog.csdn.net/Lightismore/article/details/125057597