平湖网站制作,如何自己做网站手机,福建漳州建设局网站,html网站登录界面模板目录 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
#xff08;1#xff09;测试
#xff08…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 python3.8 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trainval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
