第一次跑yolov5-pytorch，第一次利用github深度学习库_github yolov5

（注意：全文只针对所找到的这个深度学习库）

目录

1.首先找到github开源库

2.配置环境

3.过程中——

 4.后期工作：

4.1 train.py——

---

1.首先找到github开源库

2.配置环境

使用anaconda创建了一个虚拟环境，利用指令安装该库需要的环境（最后面是requirements.txt文件所在位置，里面包含该环境需要的模块）

pip install -r G:\yk\yolov5-pytorch-main\requirements.txt

这里使用的是pycharm，所以还需要在pycharm中使用该环境。如下，找到创建的虚拟环境py36，在env文件下，选中python.exe，最后点击ok即可

遇到的问题

安装torch.1.20失败了，解决办法，参考链接：安装 pytorch---1.2.0【各种版本pytorch安装 合集  采用了以下语句

conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=10.0 -c pytorch

 关于下载速度慢的问题，可以使用镜像源进行下载。

#下载pytorch
python3 -m pip install --upgrade torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple
 
#       下载TensorFlow
 
#       1.CPU版本
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow
 
#       2.GPU版本
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu

穿插一个：如何查看CUDA的版本，在window终端中输入nvidia-smi。（高版本的pytorch一般能兼容低版本cuda）

 可以参考

​​​​​​ PyTorch 最新安装教程（2021-07-27）

安装环境完成后，可进行检查，是否成功。“True”即成功了

import torch 
 
print(torch.__version__) # pytorch版本
print(torch.version.cuda) # cuda版本
print(torch.cuda.is_available()) # 查看cuda是否可用

 4.后期工作，运行代码，训练->预测->评估

主要步骤：首先训练数据集==》然后预测（使用自己训练的权重）==》最后评估自己的数据集

过程中肯定需要看代码，看懂代码

根据自己想要实现的功能，构造数据集格式，

制作好数据集，完成数据集的处理，自己可以建立一个cls_classes.txt，里面写自己所需要区分的类别。并注意需要修改对应的路径。

具体可参照找到的深度学习库里面的实现步骤。

运行过程中，出现了一些报错

4.1 准备数据集（VOC）

1）批量裁剪，得到想要的大小的数据集

这里进行了批量裁剪与批量重命名——

批量裁剪函数：

import cv2
import os
 
 
def update(input_img_path, output_img_path):
    image = cv2.imread(input_img_path)
    print(image.shape)
    cropped = image[0:640, 0:640]  # 裁剪坐标为[y0:y1, x0:x1]，获得640*640的图片
    cv2.imwrite(output_img_path, cropped)
 
 
dataset_dir = 'E:/data/maofa/select'
output_dir = ['E:/data/maofa/out_1', 'E:/data/maofa/out_2', 'E:/data/maofa/out_3', 'E:/data/maofa/out_4', 'E:/data/maofa/out_5', 'E:/data/maofa/out_6']
 
# 获得需要转化的图片路径并生成目标路径
image_filenames = [(os.path.join(dataset_dir, x), os.path.join(output_dir[3], x))
                   for x in os.listdir(dataset_dir)]
# 转化所有图片
for path in image_filenames:
    update(path[0], path[1])

批量重命名：

import os
 
 
class BatchRename():
    def __init__(self):
        self.path = 'E:/data/maofa/data_use'  # 表示需要命名处理的文件夹目录，复制地址后注意反斜杠
 
    def rename(self):
        filelist = os.listdir(self.path)  # 获取文件路径
        total_num = len(filelist)  # 获取文件长度（文件夹下图片个数）
        i = 1  # 表示文件的命名是从1开始的
        for item in filelist:
            if item.endswith('.jpg') or item.endswith('.PNG') or item.endswith('.bmp'):  # 初始的图片的格式为jpg格式的（或者源文件是png格式及其他格式，后面的转换格式就可以调整为自己需要的格式即可，我习惯转成.jpg）
                src = os.path.join(os.path.abspath(self.path), item)
                dst = os.path.join(os.path.abspath(self.path), format(str(i), '0>3s') + '.jpg')  # 处理后的格式也为jpg格式的，当然这里可以改成png格式
                # 这种情况下的命名格式为000xxxx.jpg形式，可以自主定义想要的格式
                try:
                    os.rename(src, dst)
                    print('converting %s to %s ...' % (src, dst))
                    i = i + 1
                except:
                    continue
        print('total %d to rename & converted %d jpgs' % (total_num, i))
 
 
if __name__ == '__main__':
    demo = BatchRename()
    demo.rename()
 

2）打标签（这个过程很痛苦）——labelimg

具体实现参见：4 教你如何制作自己的yolo数据集_哔哩哔哩_bilibili

4.2 voc_annotation;train.py——

voc_annotation.py——主要进行对数据集的处理，获得VOCdevkit/VOC2007/ImageSets里面的txt以及训练用的2007_train.txt、2007_val.txt

train.py——训练数据集

遇到的问题

no module named ‘tensorboard’                    解决：pip install tensorboard

ModuleNotFoundError: No module named 'past'                 解决：pip install future

下面这个错误折腾了好久——

最后发现，“cspdarknet”多了两个空格 ，引起的报错

 训练成功

（跑了一晚上都没跑出来）

4.3 yolo.py;predict.py

这两个是训练结果预测需要运行的文件，记得修改相关参数。（特别是训练自己的数据集的时候）

另外还可以评估数据集，具体参见深度学习库里面的readme.md文件。