在谷歌colab运行YOLO系列（重要比在云服务器搭建运行快）

再次重新运行发现可以了，此时即便是workers为8也是可以的，不会超出内存，并且运行速度也很快（比自己的云服务器2核2G的快多了）差不多10分钟能训练一轮，那50轮是500分钟大概（8,9个小时）在Firefox和Chrome中，在colab页面，按Ctrl+Shit+i，打开检查页面（也可以右击鼠标，选择“检查”），并切换到控制台或terminal标签，chrome中为Console。需要注意

吾名招财

1072人浏览 · 2024-10-05 15:25:53

吾名招财 · 2024-10-05 15:25:53 发布

在谷歌colab运行YOLO系列（重要比在云服务器搭建运行快）

一、谷歌云硬盘
二、克隆 YOLOV5进行运行测试

一、谷歌云硬盘

BS 10 EPOCH 200 WORKER 16

https://drive.google.com/drive/my-drive
在这里插入图片描述

在这里插入图片描述

https://colab.research.google.com/drive/1GUyOrIBdNKRn0kzUPoydMZ17mC008Exn

此处类似notebook，可以修改名称

在这里插入图片描述

视频演示的是在darknet下运行如下
在这里插入图片描述

二、克隆 YOLOV5进行运行测试

cd /content/drive/MyDrive

前面进入了当前文件夹下了

然后克隆（这里建议不要克隆，直接上传文件到云端硬盘，上传YOLOV5，克隆的与本地不太一样）

!git clone https://github.com/ultralytics/yolov5

在这里插入图片描述

命令输错如下
在这里插入图片描述

克隆失败应该是没有git这个程序，那么直接上传YOLOV5的文件夹即可
在这里插入图片描述

直接克隆的YOLOV5太精简，安照上面格式添加weights权重文件夹，上传权重文件，传一个使用的即可s
在这里插入图片描述

视频中的修改配置等

在这里插入图片描述

!/usr/local/cuda/bin/nvcc --version

在这里插入图片描述

剩下的修改配置文件等就看YOLOV5的训练自己的数据集中的操作了

如何将我的数据集传到对应文件夹下，直接在云端硬盘界面上传数据集

如下：
在这里插入图片描述

这里上传已经预处理好的数据集

或者上传数据集然后在线预处理等

执行python命令也要加感叹号
在这里插入图片描述

修改配置文件等可以直接在上面操作

上传权重文件先

直接克隆的YOLOV5太精简，安照上面格式添加weights权重文件夹，上传权重文件，传一个使用的即可s

上传数据集
在这里插入图片描述

这里将本地已经加压好的VOC原始数据集上传，还没有预处理的
预处理文件要根据自己的类别进行更改

1，修改prepare文件中的参数

在这里插入图片描述

修改配置文件

在这里插入图片描述

注意链接时要选择GPU这里的CPU感觉处理太慢

运行个CPU处理文件都这么慢
在这里插入图片描述

!python prepare_data.py

需要注意的是此处在线执行预处理，是比较慢一些的（下次直接在本地预处理，然后将预处理好的文件上传即可）

2，修改voc.yaml

修改配置文件

#download: bash data/scripts/get_voc.sh

上方注释掉，不需要在网络上下载数据集
注意还要将其重命名为voc_ball.yaml 或者不用
在这里插入图片描述

# download command/URL (optional) 
#download: bash data/scripts/get_voc.sh 
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 
3) list: [path1/images/, path2/images/] 
train: ./VOCdevkit/images/train/   
val: ./VOCdevkit/images/val/

在这里插入图片描述

# number of classes 
nc: 1 
# class names 
names: ['ball']

3，修改yolov5s.yaml

这里的训练集路径，验证集路径

Nc为分类标签的个数，这里只有一个类别1
下面names是类别名称
在这里插入图片描述

在notebook中更换配置为GPU
在这里插入图片描述

!python train.py --data data/voc_ball.yaml --cfg models/yolov5s_ball.yaml --weights weights/yolov5s.pt --batch-size 16 --epochs 50 --workers 4

在这里插入图片描述

这里发现使用其TPU也是运行很快，比自己的云服务器还要快一些

在这里插入图片描述

缺点就是必须保持网站的在线状态，这样的话我自己在云服务器登录此谷歌云盘，然后链接点击运行测试岂不就可以一直运行了（离线好像只能保存到1个小时？）

!python train.py --data data/voc_ball.yaml --cfg models/yolov5s_ball.yaml --weights weights/yolov5s.pt --batch-size 16 --epochs 50 --workers 8

现在测试workers为8即默认状态会不会溢出内存
在2核2G下是溢出失败了，直接谷歌实验室的话不知道多久可以
在这里插入图片描述

在这里插入图片描述

再次重新运行发现可以了，此时即便是workers为8也是可以的，不会超出内存，并且运行速度也很快（比自己的云服务器2核2G的快多了）差不多10分钟能训练一轮，那50轮是500分钟大概（8,9个小时）

https://blog.csdn.net/bornfree5511/article/details/106980379

4，防止colab自动断开的方式（必须要做的）

方法一
在Firefox和Chrome中，在colab页面，按Ctrl+Shit+i，打开检查页面（也可以右击鼠标，选择“检查”），并切换到控制台或terminal标签，chrome中为Console。
粘贴以下代码：

function ConnectButton(){
    console.log("Connect pushed"); 
    document.querySelector("#top-toolbar > colab-connect-button").shadowRoot.querySelector("#connect").click() 
}
setInterval(ConnectButton,60000);

执行了代码后，记下弹出的数字，那是intervalId，当想停止这段代码的执行时，只需要执行

clearInterval(intervalId)

就可以了，比如Id是340，那么就是clearInterval(340)。

在这里插入图片描述

浏览器打开状态最长运行时间是12小时

当浏览器关闭，最长运行使用则是90分钟

所以一个解决方案是在手机浏览器打开此实例运行（并且训练时长不要超过12小时）

在云服务器上使用还比较慢来，是国内服务器即便搭建小火箭访问国外也是慢，那么直接使用国外的云服务器访问怎样

半个小时才训练1轮bs16 workers8 谷歌实验室 TPU

如果连接上GPU呢？

还是无法连接到GPU

那么CPU也是可以的，那么就试试吧

算了等2C2G的训练完成了用它上面的网络测试

在海外云服务器上登陆谷歌实验室，链接如下，发现点击链接时链接的是GPU
https://colab.research.google.com/drive/1GUyOrIBdNKRn0kzUPoydMZ17mC008Exn

在这里插入图片描述

先进入到项目路径下

然后执行训练的代码如下

!python train.py --data data/voc_ball.yaml --cfg models/yolov5s_ball.yaml --weights weights/yolov5s.pt --batch-size 16 --epochs 50 --workers 8

第一次运行错误，得再次运行播放
在这里插入图片描述

如上已经可以调用GPU了，训练速度及其快

5，断点续训

在这里插入图片描述

https://blog.csdn.net/weixin_38346042/article/details/119778080

当遭遇停电等不可预料的状态时，可以如上根据最新的pt文件再继续训练

注意断点续传，是需要前面后面环境相同的

即前面GPU后面还要GPU，否则训练报错

先关闭远程服务器，让其自己在那训练，浏览器先不关闭了

14：55开始，

15：11 已经到第8个轮次了，平均2分钟1个轮次，太快了太爽了

15：28 运行到18轮次

估计100分钟就训练完成了，之前使用云服务器2核2G训练了3天的。
也就一个小时40分钟

正好1个小时就完成了

这个算是跑通了

那么训练的服务器及方式不用担心了，那么此时需要管什么了

!/usr/local/cuda/bin/nvcc --version

我们可以查看GPU的版本
在这里插入图片描述

torch.cuda.is_available()
cuda是否可用；

torch.cuda.device_count()
返回gpu数量；

torch.cuda.get_device_name(0)
返回gpu名字，设备索引默认从0开始；

torch.cuda.current_device()
返回当前设备索引；

查看显卡信息如下

https://www.cnblogs.com/ggjucheng/archive/2013/01/14/2859613.html
查看谷歌实验室的硬件环境信息

!nvidia-smi

在这里插入图片描述

!lscpu

在这里插入图片描述

查看内存

!free -m

在这里插入图片描述

总内存 12991MB，也就是12G的内存

!uname -a

在这里插入图片描述

!cat /etc/issue

在这里插入图片描述

谷歌实验室是Ubuntu 18.04.5 LTS \n \l，
NVIDIA-SMI 470.57.02 Driver Version: 460.32.03 CUDA Version: 11.2
Intel® Xeon® CPU @ 2.30GHz

1CPU 1核12G 的

使用的python版本为3.7.11的版本

在这里插入图片描述

1核16G的

方法登录云服务器，安装chrome浏览器（登录谷歌云端硬盘及实验室进行测试）

发现每天有限制使用谷歌免费的GPU

那么尝试其他的云服务器的免费的GPU资源

腾讯云
https://cloud.tencent.com/act/pro/freegpu
7天免费试用

先等等吧，准备一下自己的数据集

数据集如何准备（只准备一个零件的还是多个零件都准备，然后全部的定位）

那么进行两个目标检测（一个零件的类别）

一个（缺陷的类别）

https://www.zhihu.com/question/271520755

发现很多的GPU服务器厂商，一周的话48元钱

那么直接租借一周如何

https://featurize.cn/?s=db3893519c0f42f0a047494763888c3f
https://matpool.com/edu
在这里插入图片描述

报错如上

原因找到，通过prepare转换的标签文件全部是空的，所以在本地转换为标签文件再进行上传
在这里插入图片描述

先在本地运行将数据集分类好，再进行上传分类好的数据集

Prepare预处理之后的文件是空的这怎么办

终于找到问题了（prepare准备数据集的时候也是需要改参数的）

936 882 正好找到54个了，下面将其一一删除即可

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__09-47-35-21.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__09-51-26-3.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__09-51-26-5.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__09-53-29-10.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__09-53-29-17.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-01-16-10.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-02-42-11.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-02-42-4.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-07-29-13.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-07-29-2.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-07-29-3.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-12-15-19.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-12-15-20.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-16-02-10.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-16-02-11.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-16-02-12.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-16-02-2.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-16-02-4.jpg


E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-16-02-8.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-16-02-9.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-14.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-16.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-17.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-18.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-19.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-2.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-20.jpg
E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-21.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-22.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-23.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-3.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-5.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-6.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-7.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-01__10-17-41-8.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__10-42-52-24.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__10-44-12-2.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__10-44-12-20.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__10-51-21-3.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__10-55-37-15.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__10-55-37-19.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__10-55-37-5.jpg


E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__10-55-37-6.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__10-55-37-7.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__10-57-26-4.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__11-17-10-18.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__11-17-10-22.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__11-17-10-8.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__11-18-41-22.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__11-18-41-23.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__11-24-50-19.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__11-26-06-10.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__11-26-06-8.jpg

E:\工业零件数据集\LZC_Data\VOCdevkit_mobian\VOCdevkit\VOC2007\JPEGImages\Image__2021-09-02__11-26-06-9.jpg

腾讯云开发者社区

腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。

更多推荐

Js分割字符串(单个分割符、多个分割符、正则)

1.单个分割符1.1定义和用法split() 方法用于把一个字符串分割成字符串数组。1.2语法stringObject.split(separator,howmany)参数描述separator必需。字符串或正则表达式，从该参数指定的地方分割 stringObject。howmany可选。该参数可指定返回的数组的最大长度。如果设置了该参数，返回的子串不会多于这个参数指定的数组。如果没有设置该参数，

腾讯云开发者社区

curl

什么是curl命令？curl是利用URL语法在命令行方式下工作的开源文件传输工具。它被广泛应用在Unix、多种Linux发行版中，并且有DOS和Win32、Win64下的移植版本。如何在windows下使用curl命令？第一步：进入curl下载官网，下载合适的版本，我这里下载的是windows 64位的curl。其中我下载的zip文件。另外CAB文件也是压缩文件，这...

腾讯云开发者社区

Zynq7000 USB2.0协议解析及USB控制器详解

USB 2.0规范及控制器文章目录USB 2.0规范及控制器USB2.0Univerasl Serial BusUSBHostUSB总线接口标准总线信号USB拓扑结构数据流模型数据编解码和位填充USB逻辑部件USB时间基准USB 描述符USB设备USB设备供电方式USB设备分层USB设备插入检测机制USB设备状态USB总线枚举USB传输传输类型包(Packet)事务(transaction)传输(