yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理

这篇具有很好参考价值的文章主要介绍了yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目录

一.yolov5的运行环境配置(Windows系统)

1、NVIDIA驱动安装与更新

 2、Anaconda 的安装

3、Pytorch环境安装

 4、pycharm安装

二.yolov5训练数据集,得到best.pt(Windows系统)

 1.下载YOLO项目代码

 2.环境安装

3. 数据集下载:

三.best.pt转为onnx模型(Windows系统)

四.best.onnx转为best.rknn模型(Linux系统)

 1.环境准备和工具包安装

2.onnx转换为rknn

 五.RK3568板子上运行demo(RK3568)

1.通电,联网

2.在RK3568板子上运行yolov5_demo 

六.将自己训练过且转换后的best.rknn传送到RK3568板子上,并运行(RK3568)

1.通过WinSCP传输文件

2.RK3568平台部署best.rknn

一.yolov5的运行环境配置(Windows系统)

1、NVIDIA驱动安装与更新

首先查看电脑的显卡版本,直接搜索设备管理器–>显示适配器。就可以看到电脑显卡的版本了。如图,可以看到我的是一块NVDIA GeForce RTX3060显卡

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

显卡驱动的下载地址

安装(更新)好了显卡驱动以后。我们按下win+R组合键,打开cmd命令窗口。输入如下的命令。

nvidia-smi

 得到CUDA Version的最高适配版本,为12.0,比它低的版本都可以下载。yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 2、Anaconda 的安装

打开网址,下载,这里选择对应的anaconda版本是支持python3.9的。

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

双击下载好的anaconda安装包,just me是说只供当前用户使用。all user 是供使用这台电脑的所有用户使用,是权限问题。对空间影响不大。如果你的电脑上只有建了一个用户,all users和just me 的作用是一样的。所以点击just me就好了。

然后点击next,当让你选择安装安装路径的时候,一定不要选择默认安装位置,因为默认位置是c盘,以后要在anaconda里面创建环境的时候会很占内存,最好在D盘中创建一个文件夹来放anaconda。

和图中一样将图中的√勾上,虽然出现红色的警告,但是要勾上,将anaconda添加到环境变量中去。然后点击完成就好了。

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 安装完成以后,按下开始键(win键)在左边就会出现anaconda3这个文件夹,可以发现anaconda已经安装好了。

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

3、Pytorch环境安装

按下开始键(win键),打开anaconda的终端。

创建虚拟环境conda create -n 环境名字(英文) python=x.x(python版本),如下,我就是创建了一个名字叫pytorch,python是3.8版本的环境。

conda create -n pytorch python=3.8

 在base环境中执行如上的命令,就会创建一个新的虚拟环境,这个虚拟环境会安装一些基础的包,如下图所示。询问是否安装的时候,输入y。就可以创建环境了。

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

当安装好了以后,执行conda env list这个命令,就可以看到比一开始多了一个pytorch这个环境。现在我们可以在这个环境里面安装深度学习框架和一些Python包了。

conda env list

 yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 执行如下命令,激活这个环境。conda activate 虚拟环境名称。

conda activate pytorch

 安装pytorch-gup版的环境,由于pytorch的官网在国外,下载相关的环境包是比较慢的,所以我们给环境换源。在pytorch环境下执行如下的命名给环境换清华源。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes

 然后打开pytorch的官网,由于开头我们通过驱动检测到我的显卡为 NVDIA GeForce RTX3060,最高支持cuda12.0版本,为了稳定,我们选择cuda11.3版本的cuda,然后将下面红色框框中的内容复制下来。

conda install pytorch torchvision torchaudio pytorch-cuda=11.3 -c pytorch -c nvidia

 如果由于网络原因,conda没有成功,就试下pip安装。

pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

还是不行的话,就将torch,torchvision,torchaudio的包分别下载下来。Ctrl+F可以搜索

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 放到安装环境下,执行安装

pip install torch-1.10.1+cu113-cp38-cp38-win_amd64.whl

 在虚拟环境下,执行

conda list

查看安装的包,主要出现 torch 后面跟着的1.10.1+cu113。torchvision,torchaudio也是。

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

在虚拟环境下打开python,import torch,后输入

print(torch.cuda.is_available())

打印True,即为成功。

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 4、pycharm安装

打开这个pycharm网址,可以发现一共有两个版本一个是专业版(Professional),一个是社区版(Community),专业版是需要花钱的,好几百美元一年。而社区版是免费的,但是也够用了,所以就下载安装社区版就好了。

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

将下载好的pycharm安装包,双击。安装的地址最好不要放在C盘。

将所有的√都勾上,

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 安装好了点击第二个框框,然后点完成就好了

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

创建一个工程,这时候我们就要选择我们在anaconda里面安装的环境,在界面的右下角

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

二.yolov5训练数据集,得到best.pt(Windows系统)

 1.下载YOLO项目代码

点击这里下载并解压YOLO的官方代码:GitHub - ultralytics/yolov5 at v5.0

 2.环境安装

将requirements.txt放到相应的环境文件夹下,在anconda命令窗中输入

pip install -r requirements.txt

3. 数据集下载:

使用百度飞桨提供的3种水果检测的小数据集,百度网盘链接:https://pan.baidu.com/s/1XM1xdM6E7JcIm7EU8J0uMw
提取码:m9h6
下载后解压好,放入刚刚下载的YOLO项目的文件夹里边(注意:小白一定要放,跟着走就不会报错,如果是大神的话那就随意了)

参考:https://blog.csdn.net/weixin_45941288/article/details/124286924

三.best.pt转为onnx模型(Windows系统)

请看官方教程: 

rknn-toolkit/examples/pytorch/yolov5 at master · rockchip-linux/rknn-toolkit · GitHub

需要指出的是,虽然我们后面要使用的是rknn-toolkit2工具进行模型转换,但教程却在rknn-toolkit工程中,github二者的父目录如图:

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

上面的

    def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x[i](bs,self.no * self.na,20,20) to x[i](bs,self.na,20,20,self.no)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)

                y = x[i].sigmoid()  # (tensor): (b, self.na, h, w, self.no)
                if self.inplace:
                    y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:  # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
                    xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, y[..., 4:]), -1)
                z.append(y.view(bs, -1, self.no))  # z (list[P3_pred]): Torch.Size(b, n_anchors, self.no)

        return x if self.training else (torch.cat(z, 1), x)

v5.5.0的 

    def forward(self, x):
        # x = x.copy()  # for profiling
        z = []  # inference output
        self.training |= self.export
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i] = self._make_grid(nx, ny).to(x[i].device)

                y = x[i].sigmoid()
                y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]  # xy
                y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                z.append(y.view(bs, -1, self.no))

        return x if self.training else (torch.cat(z, 1), x)

v5.6的

    def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if self.dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)

                if isinstance(self, Segment):  # (boxes + masks)
                    xy, wh, conf, mask = x[i].split((2, 2, self.nc + 1, self.no - self.nc - 5), 4)
                    xy = (xy.sigmoid() * 2 + self.grid[i]) * self.stride[i]  # xy
                    wh = (wh.sigmoid() * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, conf.sigmoid(), mask), 4)
                else:  # Detect (boxes only)
                    xy, wh, conf = x[i].sigmoid().split((2, 2, self.nc + 1), 4)
                    xy = (xy * 2 + self.grid[i]) * self.stride[i]  # xy
                    wh = (wh * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, conf), 4)
                z.append(y.view(bs, self.na * nx * ny, self.no))

        return x if self.training else (torch.cat(z, 1),) if self.export else (torch.cat(z, 1), x)

 改为

def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv

        return x

 注意:在训练时不要修改yolo.py的这段代码,训练完成后使用export.py进行模型导出转换时一定要进行修改,不然会导致后面的rknn模型转换失败!

在export.py文件的最开始添加以下代码

import sys
#里面替换为自己项目目录下的文件路径
sys.path.insert(0, '/yolov5_ccj_alage/')

修改后将export.py移动至best.pt同一文件夹下,在命令行调用以下命令:

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

python export.py --weights best.pt --img 640 --batch 1 

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

我们便可以得到成功转换的模型best.onnx

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

四.best.onnx转为best.rknn模型(Linux系统)

 1.环境准备和工具包安装

有了以上的best.onnx模型作为基础,现在可以正式开始rknn模型的转换了。此处的转换工具rknn-toolkit2只能在Linux系统上运行,这里我使用的是PC上的Ubuntu虚拟机。首先安装rknn-toolkit2的环境, 其环境要求在./doc/requirements_cp38-1.4.0.txt中,这里我使用的是conda创建的python3.8虚拟环境,和windows下anaconda使用方法类似,推荐大家在管理python环境时使用。创建环境并命名为rknn,使用pip安装requirements_cp38-1.4.0.txt中的包。

conda activate rknn
pip install -r requirements_cp38-1.4.0.txt

如果因为网络原因未安装成功,可以换源。

pip install xxxxx -i https://pypi.tuna.tsinghua.edu.cn/simple

 环境满足需求后便可以安装rknn-toolkit2工具包了,浏览至./packages中,输入以下命令:

pip install rknn_toolkit2-1.4.0_22dcfef4-cp38-cp38-linux_x86_64.whl

提示安装完成后我们可以检查是否安装成功,在终端中运行python,输入:

from rknn.api import RKNN

若不报错说明我们的工具包已经安装成功,之后便可进行rknn模型的转换了

2.onnx转换为rknn

在rknn-toolkit2工程文件夹中浏览至./examples/onnx/yolov5,将我们在2.2中转换得到的best.onnx复制到该文件夹下,修改该文件夹下的test.py中的内容为自己模型的名字,要修改的地方如下:

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

修改模型和待预测图片,以及自定义的类别。

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 如果板子是RK3568,即换成RK3568,后面用的板子是RK3568的。

 在这个test.py的main函数中(在第239行附近)可以了解到这个python文件的作用:

       【 配置——加载onnx模型—导出rknn模型——rknn模型推理——后处理——输出结果

 在test.py的最后,取消注释,添加cv.imwrite。

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

运行test.py,开始转换

python test.py

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

result.jpg

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 五.RK3568板子上运行demo(RK3568)

1.通电,联网

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

绿灯即运行成功

打开桌面的LXTerminal,输入ifconfig,查看网络状态和地址,

依次输入

systemctl status NetworkManager
systemctl enable NetworkManager
systemctl restart NetworkManager
nmcli c add type ethernet con-name conn-eth1 ifname eth1 ipv4.method auto

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

执行下面命令

nmcli c show

 yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

nmcli c delete xxxxxxxxxxxxxxxxxxxxxxxxxxxx(uuid)

 把所有查出来的uuid都删除掉,然后就可以去图形界面编辑,联网了。

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

2.在RK3568板子上运行yolov5_demo 

 下载好rknpu2_1.3.0,放到了/home/data/ 目录下,安装好编译环境所需要的,如Cmake,gcc,g++等,可以先执行.sh文件,看缺什么安什么。打开LXTerminal。

cd /home/data/rknpu2_1.3.0/examples/rknn_yolov5_demo/install/rknn_yolov5_demo_Linux
./rknn_yolov5_demo model/RK356X/yolov5s-640-640.rknn model/bus.jpg

 yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

47.763500 ms

 运行结果在上一级文件里

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 resize_input.jpg是resize后的输入图片,像素大小为640*640,out.jpg是输出的图片

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 可以多用几张coco数据集里面的照片进行测试,像素大小调整为640*640

例如斑马,可以通过U盘将文件导入RK3568板子里去

./rknn_yolov5_demo model/RK356X/yolov5s-640-640.rknn model/horse.jpg

 yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

用时47.656 ms

六.将自己训练过且转换后的best.rknn传送到RK3568板子上,并运行(RK3568)

1.通过WinSCP传输文件

通过插拔U盘比较费时,且有时候接触不良,rk3568板子不能识别,所以通过WinSCP传输,WinSCP :: Official Site :: Free SFTP and FTP client for Windows官网下载,在RK3568的板子,输入

ifconfig

查询板子的ip地址,

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

ip地址为172.25.177.28。打开WinSCP,写入主机名,端口号改为22,用户名为root

 yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 点击登录后,输入密码,即可相互传输文件。

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

2.RK3568平台部署best.rknn

cd /home/data/rknpu2_1.3.0/examples/rknn_yolov5_demo

进入include文件夹,找到头文件postprocess.h

 vim操作命令:i 插入,esc退出操作命令,:wq保存并退出。

#define OBJ_CLASS_NUM     3  #这里的数字修改为数据集的类的个数

 修改rknn_yolov5_demo/model目录下的coco_80_labels_list.txt文件, 改为自己的类并保存 

apple
banana
orange

并将待检测的图片defect_det.jpg放到目录下

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

 将转换后的best.rknn文件通过WinSCP放在rknn_yolov5_demo/model/RK356X目录下

rknn_yolov5_demo目录下编译,运行shell

bash ./build-linux_RK356X.sh

 成功后生成install目录

cd install/rknn_yolov5_demo_Linux

运行(这里是将Linux系统下生成的best.rknn的名称改为了best-640-640.rknn,其实是没变的,所以下面要用best-640-640.rknn)

./rknn_yolov5_demo model/RK356X/best-640-640.rknn model/defect_det.jpg

 在rknn_yolov5_demo_Linux获取到结果

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

用时48607.371000 ms,用时过长,需要改进,且不能退出执行命令了 

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理,YOLO,深度学习,python

参考:

(103条消息) 一分钟教会您使用Yolov5训练自己的数据集并测试_yolov5测试_DK数据工作室的博客-CSDN博客

(99条消息) yolov5训练pt模型并转换为rknn模型,部署在RK3588开发板上——从训练到部署全过程_rknn yolov5_Billy_zz的博客-CSDN博客

(104条消息) Yolov5的配置+训练(超级详细!!!)_小学生玩编程的博客-CSDN博客_yolov5训练文章来源地址https://www.toymoban.com/news/detail-641730.html

到了这里,关于yolov5的运行环境配置、参数修改和训练命令,并将训练的pt模型转换为rknn模型,并推理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 关于yolov5训练时参数workers和batch-size的理解

    yolov5的训练很简单,下载好仓库,装好依赖后,只需自定义一下data目录中的yaml文件就可以了。这里我使用自定义的my.yaml文件,里面就是定义数据集位置和训练种类数和名字。 一般训练主要需要调整的参数是这两个: workers 指数据装载时cpu所使用的线程数,默认为8。代码解

    2023年04月13日
    浏览(35)
  • Yolov5环境搭建+运行过程

    目录 前言 一、工具资源下载 二、搭建环境配置和运行测试 1.安装anaconda,并创建环境 2.使用pycharm  3.安装pytorch1.5.1以及其他库 4.测试 总结 这是我个人在使用yolov5过程中的一些心得,搭建环境就让我爆炸,最后也是成功运行起来。其中也参考了很多其他人博客的文章,记录下

    2024年02月12日
    浏览(43)
  • 适合小白的超详细yolov8环境配置+实例运行教程,从零开始教你如何使用yolov8训练自己的数据集(Windows+conda+pycharm)

      目录 一、前期准备+所需环境配置  1.1. 虚拟环境创建 1.2 下载yolov8源码,在pycharm中进行配置 1.2.1 下载源码 1.2.2 在pycharm终端中配置conda 1.3 在pycharm的terminal中激活虚拟环境  1.4 安装requirements.txt中的相关包 1.5 pip安装其他包 1.6 预训练权重的下载  1.7 验证环境配置是否成功

    2024年02月05日
    浏览(78)
  • yolov5训练自己的pt文件,转onnx,再转成rknn,到RK3588开发板运行测试

    yolov5训练好自己的模型,例如训练完后,名称为best.pt,路径为runs/exp/weights/best.pt。 采用detect.py文件验证best.pt可以正常检测目标,再进行下一步工作。 修改utils/yolo.py文件的后处理部分,将class Detect(nn.Module) 类的子函数forward由 修改为: 注意:训练和检测的时候,yolo.py文件应

    2024年02月01日
    浏览(57)
  • 【Yolov7】配置参数以及训练模型

    github地址:https://github.com/WongKinYiu/yolov7 或者命令行下载 用Acaconda新建一个干净的环境,我命名为yolov7,python版本选择3.8 进入到刚刚下载的yolov7的目录中,安装yolov7所需的第三方库 打开yolov7项目,再打开data文件夹,拷贝一份 coco.yaml 1、修改里面的 trian 、 val 、 test 的路径,改

    2023年04月13日
    浏览(99)
  • YOLOv5源码中的参数超详细解析(2)— 配置文件yolov5s.yaml(包括源码+网络结构图)

    前言: Hello大家好,我是小哥谈。 配置文件yolov5s.yaml在YOLOv5模型训练过程中发挥着至关重要的作用,属于初学者必知必会的文件!在YOLOv5-6.0版本源码中,配置了5种不同大小的网络模型,分别是YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x,其中YOLOv5n是网络深度和宽度最小但检测速度

    2024年02月08日
    浏览(50)
  • 配置使用云服务器训练神经网络模型——在阿里GPU服务器训练yolov5模型

    对于没有GPU训练机的人来讲,使用云服务器训练自己的模型应该最最优选择,只是在训练的时候开个按时计费的服务器,训练完成后保存环境镜像之后,可以完全停掉服务器,期间不产生任何费用,下次再训练时,启动环境就可以,很容易保护好自己的训练环境不受污染。

    2024年02月06日
    浏览(63)
  • yolov8训练进阶:自定义训练脚本,从配置文件载入训练超参数

    yolov8官方教程提供了2种训练方式,一种是通过命令行启动训练,一种是通过写代码启动。 命令行的方式启动方便,通过传入参数可以方便的调整训练参数,但这种方式不方便记录训练参数和调试训练代码。 自行写训练代码的方式更灵活,也比较方便调试,但官方的示例各种

    2024年02月12日
    浏览(29)
  • LLMs之Colossal-LLaMA-2:源码解读(train.py文件)基于给定数据集实现持续预训练LLaMA-2—解析命令行参数→初始化配置(分布式训练环境colossalai+训练日志+加速插

    LLMs之Colossal-LLaMA-2:源码解读(train.py文件)基于给定数据集实现持续预训练LLaMA-2—解析命令行参数→初始化配置(分布式训练环境colossalai+训练日志+加速插件)→数据预处理(初始化分词器+数据处理器+数据加载器)→模型训练(初始化模型/优化器/学习率调度器/梯度检查点/Flash-Att

    2024年02月06日
    浏览(43)
  • 【目标检测算法实现之yolov5】 一、YOLOv5环境配置,将yolov5部署到远程服务器上

    在官网:https://github.com/ultralytics/yolov5上下载yolov5源代码 下载成功如下: 在配置基础环境之前,提前压缩自己的代码文件,并通过winscp传输给linux端,传输之后,解压该文件。解压前,先创建一个文件夹,再解压。 winscp下载使用教程参考上一篇博客:使用WinSCP下载和文件传输

    2024年01月15日
    浏览(55)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包