yolov5复现及问题解决

yolov5复现记录

步骤

1 打开GitHub，选择分支

2 下载zip, 解压后用PyCharm打开后先放弃建立虚拟环境

3 在PyCharm中设置python解释器

4 打开终端运行命令，安装环境需要的包

# 以下命令要在对应的conda环境中运行
# 可以用命令 conda activate env_yx 来激活conda虚拟环境，'env_yx'是我的虚拟环境名

pip install -r requirements.txt
1
2
3
4

5 打开detect.py，直接右击运行

遇到的问题及解决方法

问题1：Can’t get attribute ‘SPPF’ on <module ‘models.common’ from ‘XXX\yolov5-5.0\models\common.py’>

解决1：增加SPPF类

去Tags6里面的model/common.py里面去找到这个SPPF的类,把它拷过来到你这个Tags5的model/common.py里面,这样你的代码就也有这个类了,还要引入一个warnings包就行了,如下所示，可以直接复制

import warnings
class SPPF(nn.Module):
    # Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher
    def __init__(self, c1, c2, k=5):  # equivalent to SPP(k=(5, 9, 13))
        super().__init__()
        c_ = c1 // 2  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_ * 4, c2, 1, 1)
        self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)

    def forward(self, x):
        x = self.cv1(x)
        with warnings.catch_warnings():
            warnings.simplefilter('ignore')  # suppress torch 1.9.0 max_pool2d() warning
            y1 = self.m(x)
            y2 = self.m(y1)
            return self.cv2(torch.cat([x, y1, y2, self.m(y2)], 1))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

问题2 AttributeError: ‘Upsample’ object has no attribute ‘recompute_scale_factor’

解决2，在yolo.py文件新增两行判断代码

注意：最好不要采取网上流传的修改torch源码的方式

问题3：RuntimeError: The size of tensor a (80) must match the size of tensor b (56) at non-singleton

解决3： 模型文件不匹配，手动下载v5.0的pt文件

首先，问题原因是，我们这里运行detect.py，默认下载的pt文件是v7.0的，不是我们需要的v5.0

于是，我们不如用v5.0替换v7.0后，直接打开官网https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt下载咯

注意，pt文件不是放在weights文件夹下，而是放在项目目录下

问题4 用户警告

意思就是，在以后得版本中，需要传递indexing参数。

首先，这只是个用户警告，不是错误，不用管它，依然可以运行。

再者，网上流传的解决方法是修改torch源码，我还是坚持不修改源码的原则。

所以，这个 警告 俺先置之不理。

问题5：有的结果缺省框，或者识别的结果不尽人意

比如，本IKUN在测试图片时，发现data/images/bus.jpg的识别结果为空？

解决5：添加cudnn.benchmark = True，具体做法如下

复制第50行，添加第53行，让detect不打开摄像头时也使cudnn.benchmark = True

注意：具体行数视自己的具体行数而定哈，俺用的是v5.0版本的code，你看你是不是跟俺的一样

如此以来，再次运行：

可以看到，检测效果变好很多