使用飞浆ai训练yolov5

使用飞浆ai训练yolov5

• 飞浆ai
• • 创建项目
  • 安装环境
  • 数据集
  • 训练
  • • 在yolov5目录下创建一个data.yaml，可改名
    • 因为包安装不在python的路径下，需要在py文件中添加如下命令可以导入包的位置
    • 然后可以再终端中执行训练命令
    • 参数：
    • 训练结束
  • 预测数据
  • • 参数
    • 最简单的检测命令
  • 创新、修改

飞浆ai

百度的飞浆ai可以免费薅羊毛进行简单的算力运行，认证可领100算力卡，每天运行项目可以领8算力卡。基本足够使用了。

创建项目

创建一个notebook项目，可以名为yolov5，运行环境，在配环境的时候可以选择cpu版，在正式运行调试的时候可以再选gpu版的，可以省算力资源。

安装环境

在终端中git yolov5代码，依次运行以下命令。

git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install --upgrade pip
# 因要进行长期的存储，所以需要先创建一个目录作为包的存放地址，
mkdir /home/aistudio/external-libraries
# 包安装在指定的位置，不然下次再启动这个项目，包就没了
pip install -r requirements.txt -t /home/aistudio/external-libraries

数据集

1.可以直接将数据集打包后拖拉到这个notebook项目中，推荐第二种
2.在创建项目的地方，点击修改项目，然后有一个创建数据集，在里面上传数据集，之后项目里面的data文件夹中会自动显示这个数据集。

训练

在yolov5目录下创建一个data.yaml，可改名

train: datasets/images/train  # 训练集图片路径，修改为你的
val: datasets/images/val  # 验证集图片路径，同上

nc: 5  # 类别数量（例如刮伤、凹陷等）   修改为你的
names: ['dent', 'pit', ...]  # 类别名称   修改为你的

因为包安装不在python的路径下，需要在py文件中添加如下命令可以导入包的位置

import sys 
sys.path.append('/home/aistudio/external-libraries')

然后可以再终端中执行训练命令

python train.py  --batch 16 --epochs 100 --data data.yaml --weights yolov5s.pt

训练的时候会自动下载yolov5s.pt和一个字体文件，但可能连接github会发生错误，可以自行下载完成后放在yolov5目录下，具体的下载地址可以运行上诉代码后会有，若能正常下载，就不需要提前下载。

参数：

–batch ： 基本越大越好，大了会占用大量的gpu内存，根据内存自行增加，最好是2的次方
–epochs：训练轮数，可以先训练100轮，多了减，少了加。
–data：上面创建的yaml文件，其中标注可训练和验证数据集的位置，数量，和labels
–weights：预训练权重，s最小，还有m，l，x等模型，理论上模型越大越好，但要考虑计算量和资源。

训练结束

结果保存在run/train/exp/weights下，最好的是best.pt，之后使用这个进行预测。

预测数据

和上面同样的方式将需要进行预测的数据集放在yolov5目录下
在detect.py文件中同样需要添加

import sys 
sys.path.append('/home/aistudio/external-libraries')

然后就可以运行

python detect.py --weights runs/train/exp/weights/best.pt --img 1184 --source datasets/images/test --save-txt

参数

–source：是需要进行预测的数据集的位置。自行修改为你的
–img：图片大小，一般不需要，若需要输出预测框之类的可能需要，经过我的实验，img大一点比小一点号，我的是检测的很小，若需要检测的东西在图片中不是很小，不想使用–img参数，删了就行。
–save-txt：保存对应的边框信息，但可能不是你需要的，需要改，不需要的话删除。

最简单的检测命令

python detect.py --weights runs/train/exp/weights/best.pt  --source datasets/images/test 

同样结果保存在run/detect/exp下

创新、修改

在经过一次的训练就了解了大致的流程，可以再代码上就行创新，修改，不用为环境发愁。ok，结束