-
-
yolov5环境搭建和训练自己的模型
-
2023-3-31 00:13
-
一、环境安装
1.1.安装Anaconda
下载地址
1 | https://repo.anaconda.com/archive/ |
1.2.安装cuda
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
1 | https://developer.nvidia.com/cuda-toolkit-archive |
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
1.3.下载cdDNN
下载跟cuda版本对应的cdDNN版本
1 | https://developer.nvidia.com/rdp/cudnn-download |
解压后，把三个文件夹直接复制到cuda的安装目录
1.4.创建虚拟环境
创建python虚拟环境
1 2 | conda activateconda create -n yolov5_test python=3.8 |
激活虚拟环境
1 | activate yolov5_test |
1.5.配置conda源
生成.condarc文件
1 2 | #会在当前目录生产.condarc文件conda config --set show_channel_urls yes |
配置源，把下面内容复制进去，保存
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | channels: - defaultsshow_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/msys2custom_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 |
1.6.安装PyTorch
下载地址
1 | https://pytorch.org/get-started/previous-versions/ |
选择对应cuda版本的PyTorch安装命令
1 2 3 4 | 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PyTorch |
测试是否安装成功
1.7.安装yolov5依赖包
下载yolov5
1 | https://github.com/ultralytics/yolov5 |
安装依赖包，先删掉这两行，因为PyTorch我们已经安装过了
1 2 | torch>=1.7.0 # see https://pytorch.org/get-started/locally (recommended)torchvision>=0.8.1 |
然后安装
1 | pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple |
1.8.测试自带权重文件
下载yolov5s.pt，放到根目录
运行命令
1 2 3 4 5 | python detect.py --source data\images --weights yolov5s.pt --device 0#--source 表示图片的路径#--weights 表示权重文件的路径#--device 0 表示用gpu，默认是用cpu |
测试结果会保存在run目录下面
二、实战--训练自己的模型
2.1.labelimg数据标注
安装lableImg
1 | pip install labelimg |
labelImg常用快捷键
- a：上一张图片
- d：下一章图片
- del：删除选定的矩形框
- Ctrl + d：复制当前标签的矩形框
- w：创建一个矩形框
- space：标记当前图片已标记
- delete：删除框
- ctrl+e：编辑标签
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）。
2.2.data目录下面创建xxx_data.yaml
主要修改train的图片位置、类的个数和类的名字
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | path: ../datasets/coco128train: 路径改自己的val: 路径改自己的test: # test images (optional)nc: 5# Classesnames: 0: hero 1: door 2: moster 3: money 4: boss |
2.3.model目录下面创建xxx_model.yaml
只要修改nc的数量就可以
1 | nc: 5 |
2.4.修改train.py的参数
cache用disk或者ram都可以
如果内存不够，把work数再改小点
1 2 3 | parser.add_argument('--cache', type=str, nargs='?', const='disk', help='image --cache ram/disk')parser.add_argument('--workers', type=int, default=2, help='max dataloader workers (per RANK in DDP mode)') |
2.5.开始train
1 | python train.py --data xxx_data.yaml --cfg xxx_model.yaml --weights yolov5s.pt -epoch 300 --batch-size 1 --device 0 |
2.6.开始detect
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
1 | python detect.py --weights runs/train/exp1/weights/best.pt --source xxx/images/ |
2.7.最终效果演示
经过yolov5训练后，最终识别准备率能达到0.9以上。
[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? |
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
