-
-
yolov5环境搭建和训练自己的模型
-
发表于: 2023-3-31 00:13
-
下载地址
先在cmd执行nvidia-smi，查看驱动版本，下载对应的cuda版本
下载地址
安装的时候选择默认路劲，安装完成在cmd执行nvcc -V，能查到cuda版本证明安装成功
下载跟cuda版本对应的cdDNN版本
解压后，把三个文件夹直接复制到cuda的安装目录
创建python虚拟环境
激活虚拟环境
生成.condarc文件
配置源，把下面内容复制进去，保存
下载地址
选择对应cuda版本的PyTorch安装命令
测试是否安装成功
下载yolov5
安装依赖包，先删掉这两行，因为PyTorch我们已经安装过了
然后安装
下载yolov5s.pt，放到根目录
运行命令
测试结果会保存在run目录下面
安装lableImg
labelImg常用快捷键
新建images和labels文件夹，把准备好的游戏截图放到images目录下，然后用labelimg开始标注（怎么标注，自己百度），总共标注5个类（hero,door,moster,money,boss）。
主要修改train的图片位置、类的个数和类的名字
只要修改nc的数量就可以
cache用disk或者ram都可以
如果内存不够，把work数再改小点
train完成后会在run/exp1/weights目录下会生产一个best.pt文件，用它来detect
经过yolov5训练后，最终识别准备率能达到0.9以上。
https://repo.anaconda.com/archive/
https://repo.anaconda.com/archive/
https://developer.nvidia.com/cuda-toolkit-archive
https://developer.nvidia.com/cuda-toolkit-archive
https://developer.nvidia.com/rdp/cudnn-download
https://developer.nvidia.com/rdp/cudnn-download
conda activateconda create -n yolov5_test python=3.8
conda activateconda create -n yolov5_test python=3.8
activate yolov5_testactivate yolov5_test#会在当前目录生产.condarc文件conda config --set show_channel_urls yes
#会在当前目录生产.condarc文件conda config --set show_channel_urls yes
channels: - defaults
show_channel_urls: truedefault_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
channels: - defaults
show_channel_urls: truedefault_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
https://pytorch.org/get-started/previous-versions/
https://pytorch.org/get-started/previous-versions/
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.6 -c pytorch -c conda-forge
#如果上面安装报错提示：“ An error occurred while installing package 'conda-forge.....' ”#执行`conda update -n base -c defaults conda`进行更新源，再重新安装PyTorchconda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.6 -c pytorch -c conda-forge
#如果上面安装报错提示：“ An error occurred while installing package 'conda-forge.....' ”#执行`conda update -n base -c defaults conda`进行更新源，再重新安装PyTorchhttps://github.com/ultralytics/yolov5
https://github.com/ultralytics/yolov5
[培训]内核驱动高级班，冲击BAT一流互联网大厂工作，每周日13:00-18:00直播授课
|
|
|---|---|
|
|
|
|
|
非常有意思啊。
|
|
|
|
|
|
感谢分享，接下来的内容就交给DQN了
|
|
|
|
|
|
想试但不想标注
|
|
|
dqn貌似训练时间长，ppo，td3这类比较好点。 |
|
|
关键看训练效果，不过我也没试过 |
|
|
https://github.com/AlvaroCavalcante/auto_annotate 可以用这个看看能不能减少标注，不过我觉得勤奋点能展现人的价值。 |
|
|
|
|
|
有这方面的教程或者样例代码吗？我也想自己亲手训练一下试试效果 |
|
|
|
|
|
教程网上有，水深得很，不过基本上只能在特定的gym支持的游戏运行，要想特定的还得要改改。
最后于 2023-4-4 16:10
被库尔编辑
，原因：
|
|
|
|
|
|
大佬啊。 |
|
|
|
|
|
大佬你好,最近我也在思考能不能使用强化学习来优化脚本的打怪策略.我是专门写rpg游戏的. 可以收集到所有信息,比如怪物状态信息怪物技能轨迹,个人玩家人物信息,周围地形玩家信息. 一开始想用DQN,但是DQN局限性在于训练样本太多了通常要收集几千场对局数据.不太理想. 这样还不如自己手写的脚本策略. 不知道ppo，td3 这两种算法有哪些改进? |
|
|
首选无脑是ppo + L2 正则化，PPO算是把时域变成频域。算是基于策略或者说对局经验的算法。TD3和PPO类似，不过PPO与DQN差距较大。 |
|
|
|
改天我试试，不过强化学习这种估计要自定义GYM吧。Reward设计估计是精髓
