Skip to main content

yolov5 v6.0 train and convert to onnx​

运行环境​

nameversion
SystemWindows 10 21H2
CUDA11.3.1
CUDNNv8.2.1.32
Python3.8.0 -- Anaconda
PyTorchLTS(1.8.2)
YOLOv5v6.0

环境配置​

下载 YOLOv5-v6.0 源码，解压后进入工作目录

  • 安装依赖（建议🚀🚀🚀）
pip install -r requirements.txt
  • 安装 PyTorch-CUDA，根据官网的指令来
pip3 install torch==1.8.2 torchvision==0.9.2 torchaudio===0.8.2 --extra-index-url https://download.pytorch.org/whl/lts/1.8/cu111
python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt --cfg yolov5s.yaml

这里训练的时候可能会出现类似以下的错误

OSError: [WinError 1455] 页面文件太小，无法完成操作。 Error loading "D:\workspace\anaconda3\envs\yolov5-6-0\lib\site-packages\torch\lib\cudnn_adv_infer64_8.dll" or one of its dependencies.

可以参照 https://blog.csdn.net/weixin_43959833/article/details/116669523 中的解决办法

这里我修改了 utils/datasets.py 中的 nw 变量的值

···
batch_size = min(batch_size, len(dataset))
nw = min([os.cpu_count(), batch_size if batch_size > 1 else 0, workers])  # number of workers
nw = 0
sampler = torch.utils.data.distributed.DistributedSampler(dataset) if rank != -1 else None
···

修改后能够正常训练，不过这个会降低训练速度，如果对此有要求还是修改一下虚拟内存

训练自定义数据集​

执行训练的 train.py 文件中，可以设置很多的参数，定义在 parse_opt 函数中

def parse_opt(known=False):
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default='', help='model.yaml path')
    parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')
    ···
    return opt

我们训练自己的数据集需要设置的几个参数一般为

  • --weights 预训练的权重文件，直接下载
  • --data 训练时的配置文件，参照 coco128.yaml 修改
  • --cfg 网络的配置文件，参照 yolov5s.yaml 修改
  • --img 训练时图片的输入尺寸，会影响到网络的输出层
  • --batch 每批次训练输入的图像数量，越大训练越快，对硬件要求也越高
  • --epochs 训练总轮次

weights​

直接下载

data​

参照 data/coco128.yaml 中的内容，根据自己的数据集进行修改

path:  {path} # dataset root dir
train: images/train  # train images (relative to 'path') 128 images
val: images/val  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
nc: {n}  # number of classes
names: ['', '', '']  # class names

cfg​

以 models/yolov5s.yaml 为例，不需要修改网络相关的结构，但是要根据修改的 --data 文件中的 nc 修改一下相应的 nc

nc: {n}  # number of classes

img​

网络的输入尺寸，因设置为 8 的倍数，例如 640，480，320 等

对应的会影响网络的输出尺寸

  • layer 345 output resolution*1/8
  • layer 403 output resolution*1/16
  • layer 461 output resolution*1/32

batch epochs​

根据自己的硬件选择 batch 的大小

epochs可以稍微设置大一些，训练过程中会保存最好的训练结果为 best.pt

转换训练完成的权重文件​

安装 onnx

pip install --upgrade onnx

转换模型

python3.8 export.py --data data/{custom}.yaml --weights run/train/exp/weights/best.pt --include onnx

转换模型的时候也可以设置网络输入的分辨率

python3.8 export.py --data data/{custom}.yaml --weights run/train/exp/weights/best.pt --include onnx --img {size} {size}

参考与致谢​