La computadora se reinstaló recientemente, por lo que tomé algunas notas sobre la construcción del entorno para consultarlas fácilmente más adelante.
instalar anaconda
Hay un registro aquí, sáltelo.
Anaconda puede crear diferentes entornos virtuales e instalar diferentes versiones de Python. He creado un nuevo entorno virtual aquí específicamente para ejecutar yolov5.
Configurar GPU y pytorch
CUDA (Compute Unified Device Architecture) es una plataforma informática paralela y un modelo de programación lanzado por el fabricante de tarjetas gráficas NVIDIA en 2007.
Pytorch es la versión Python de torch, un marco de red neuronal de código abierto de Facebook, diseñado específicamente para la programación de redes neuronales profundas (DNN) acelerada por GPU.
// Un breve aparte, parece que no hay necesidad de descargar CUDA, parece que la descarga de pytorch vendrá con él.
Instalar el controlador nvidia
Sitio web oficial: https://www.nvidia.cn/geforce/drivers/, ingrese a la instalación y descárguelo.
Instalar pytorch
Verifique la versión de CUDA:
Entrada de línea de comando:, nvidia-smihabrá una versión de CUDA, recuérdela.
Vaya al sitio web oficial y seleccione el comando correspondiente para descargar. Mi versión es CUDA 11.6, así que uso esta.
-c pytorch -c nvidia se puede omitir, lo que significa descargar desde pytorch y nvidia. De lo contrario, se usará la fuente espejo doméstica que configuró para descargar, pero tuve algunos problemas al usar la fuente espejo doméstica y la velocidad de descarga de uso. la fuente extranjera no es demasiado lenta, así que solo uso el comando oficial.
prueba
Abra la línea de comando e ingrese el entorno de Python que configuró (el valor predeterminado es el entorno base). Ingrese Python e ingresará al modo interactivo de Python. Aquí debe escribir el código Python en lugar del comando cmd. Ingrese el siguiente código.
import torch # 导入torch
print(torch.cuda.is_available()) # 检验是否可以使用GPU
print(torch.__version__) #输出torch版本
Si todo se ejecuta normalmente y los resultados de salida son los que desea, pytorch básicamente se instaló correctamente.
Instalar paquetes de dependencia
Ingrese al directorio yolov5, abra la línea de comando e ingrese pip install -r requirements.txtlos módulos necesarios para instalar.
Descargar pesas previamente entrenadas
Los modelos previamente entrenados son modelos entrenados en grandes conjuntos de datos de referencia para resolver problemas similares.
Dado que entrenar un modelo de este tipo es costoso desde el punto de vista computacional, es una práctica común importar los resultados publicados y utilizar el modelo correspondiente. Al entrenar un modelo de detección de objetivos, puede utilizar los pesos previamente entrenados de estas redes neuronales para inicializar los parámetros de la columna vertebral, de modo que se puedan extraer características más efectivas al principio, es decir, sin comenzar desde 0.
Esto puede aumentar la velocidad por un lado y la precisión por el otro.
Dirección de descarga: https://github.com/ultralytics/yolov5/releases
Desplácese hacia abajo y, en Activos, descargue .ptel archivo que termina en (se lanzan diferentes modelos en diferentes versiones y es posible que pueda juzgar estos pesos según el archivo efecto de tamaño)
detectar
Ahora que la configuración está casi completa, puede ejecutar detectar para verificarla.
Abra detect.pyel archivo y configure los parámetros en unas 200 líneas.
– pesos: pesos de entrenamiento
– fuente: la imagen que se va a predecir
– datos: archivo de configuración del conjunto de datos
Ejecute detect.pyel archivo, donde el conjunto de datos se descargará en línea y espere a que finalice el programa...
(También puede verificar la dirección de descarga en el
.yamlarchivo correspondiente, descargarlo usted mismo y asignar el directorio de almacenamiento de la carpeta según sea necesario).
La terminal mostrará la ruta para guardar los resultados de la ejecución (comenzando desde yolov5 como directorio raíz),
por ejemplo, este es mi directorio:
Results saved to runs\detect\exp1
el conjunto de entrenamiento coco128 se usa de forma predeterminada y hay 80 categorías marcadas en él.
