yolov5lite模型训练
这里注意如果是在虚拟环境安装的找不到labellimg指令就去你的conda文件夹，找到envs，点击就有你的python项目名字，点击你安装labellimg的python项目，一般在Scripts目录下，快捷键主要是三个，d下一张，w进行标注，a上一张，最好加上标签名字。会显示软件包不存在，我尝试从github网站直接下载结果显示无法解压，找不到软件包，我都放在我的文件夹还找不到我也不清楚为什
最近在训练yolov5lite的时候看了许多文章，搞了两天终于是把模型结果训练出来了，这里给大家注意一下容易踩坑的点在哪里。
手把手教你：从零开始搭建CUDA环境并基于YOLOv5-Lite进行本地训练再到树莓派4B上的部署_在电脑是训练模型,然后把模型部署到树莓派,在树莓派是预测-CSDN博客
大家可以参考这篇文章，我是按照这篇文章一步一步做的，虽然遇见了一些问题但是最后成功了。
注意如果你的显卡不是英伟达的可以直接跳过前面安装CUDA的步骤，直接下载anaconda和yolov5lite的源文件，当然这里好像并没有v5lite-s.pt的权重文件通过网盘分享的文件：v5lite-s.pt等2个文件
链接: https://pan.baidu.com/s/1ABvvHg-K6yI_ZJsDZRu-rA?pwd=gdvd 提取码: gdvd
这里大家需要的可以自行下载，这里的pycharm版本不受影响，但是不要下载最新版的，还有大家的python版本最好和作者一样下载3.8的，因为后面的依赖环境根据不同的python版本适配不一样，如果python版本不一样按作者方法走或许有许多意想不到的意外。
注意大家在使用pycharm的时候，终端一定要选择anaconda自带的，不要直接使用本地终端，不然你会发现虽然虚拟环境安装了Python3.8但是终端输入python仍然是电脑自带的python版本。
第二点大家在配置requirements.txt文件的时候或许会出现pycocotools无法安装的情况，这种情况下注释掉txt文本中的pycocotools文件，然后继续安装，至于pycocotools，大家进去anaconda prompt终端，
python3.8安装pycocotools（个人备忘录）_python3.8装哪个版本的pycocotool-CSDN博客
参照这个作者的单独安装pycocotools，这样我们需要的依赖就算初步完成了，当然如果你是cpu训练记得要安装torch>=1.8.0和torchvision>=0.9.0，这个原作者注释掉因为他是GPU训练。
之后就是标注你的模型，
LabelImg（目标检测标注工具）的安装与使用教程-CSDN博客
这里注意如果是在虚拟环境安装的找不到labellimg指令就去你的conda文件夹，找到envs，点击就有你的python项目名字，点击你安装labellimg的python项目，一般在Scripts目录下，快捷键主要是三个，d下一张，w进行标注，a上一张，最好加上标签名字。
大家在存放项目路径注意每个路径对应的文件夹之间要用”/”隔开，直接复制绝对路径的话是”\”
在训练过程中也遇见不少问题，最关键的就是内存不足，或者报错Unable to allocate 15.3 MiB for an array with shape (2000, 2000, 4) and data type uint8，这里我最开始问AI改了batch - size ，但是并没有什么用，之后又看教程改了虚拟内存，结果程序直接崩溃了，大家最好不要去试虚拟内存最后找咸鱼技术支持了一下，在train.py文件夹里面找到if __name__ == '__main__':，找到--workers,把dafault的参数改成0，就行了就可以生成最优权重文件。然后按教程把best.pt改成onnx文件运行export.py文件会自动把生成的onnx文件放在weight，这个就是我们需要的模型文件best.onnx，然后我们通过filezilla把onnx传给树莓派5FileZilla客户端的安装配置教程以及使用教程（超级详细）_filezilla使用教程-CSDN博客
注意这里主机一定要加sftp://
再把我们的推理追踪代码
import cv2
import numpy as np
import onnxruntime as ort
import time
def plot_one_box(x, img, color=None, label=None, line_thickness=None):
"""
description: Plots one bounding box on image img,
this function comes from YoLov5 project.
param:
x: a box likes [x1,y1,x2,y2]
img: a opencv image object
color: color to draw rectangle, such as (0,255,0)
label: str
line_thickness: int
return:
no return
"""
tl = (
line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1
) # line/font thickness
color = color or [random.randint(0, 255) for _ in range(3)]
c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3]))
cv2.rectangle(img, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA)
if label:
tf = max(tl - 1, 1) # font thickness
t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0]
c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3
cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA) # filled
cv2.putText(
img,
label,
(c1[0], c1[1] - 2),
0,
tl / 3,
[225, 255, 255],
thickness=tf,
lineType=cv2.LINE_AA,
)
def _make_grid( nx, ny):
xv, yv = np.meshgrid(np.arange(ny), np.arange(nx))
return np.stack((xv, yv), 2).reshape((-1, 2)).astype(np.float32)
def cal_outputs(outs,nl,na,model_w,model_h,anchor_grid,stride):
row_ind = 0
grid = [np.zeros(1)] * nl
for i in range(nl):
h, w = int(model_w/ stride[i]), int(model_h / stride[i])
length = int(na * h * w)
if grid[i].shape[2:4] != (h, w):
grid[i] = _make_grid(w, h)
outs[row_ind:row_ind + length, 0:2] = (outs[row_ind:row_ind + length, 0:2] * 2. - 0.5 + np.tile(
grid[i], (na, 1))) * int(stride[i])
outs[row_ind:row_ind + length, 2:4] = (outs[row_ind:row_ind + length, 2:4] * 2) ** 2 * np.repeat(
anchor_grid[i], h * w, axis=0)
row_ind += length
return outs
def post_process_opencv(outputs,model_h,model_w,img_h,img_w,thred_nms,thred_cond):
conf = outputs[:,4].tolist()
c_x = outputs[:,0]/model_w*img_w
c_y = outputs[:,1]/model_h*img_h
w = outputs[:,2]/model_w*img_w
h = outputs[:,3]/model_h*img_h
p_cls = outputs[:,5:]
if len(p_cls.shape)==1:
p_cls = np.expand_dims(p_cls,1)
cls_id = np.argmax(p_cls,axis=1)
p_x1 = np.expand_dims(c_x-w/2,-1)
p_y1 = np.expand_dims(c_y-h/2,-1)
p_x2 = np.expand_dims(c_x+w/2,-1)
p_y2 = np.expand_dims(c_y+h/2,-1)
areas = np.concatenate((p_x1,p_y1,p_x2,p_y2),axis=-1)
areas = areas.tolist()
ids = cv2.dnn.NMSBoxes(areas,conf,thred_cond,thred_nms)
if len(ids)>0:
return np.array(areas)[ids],np.array(conf)[ids],cls_id[ids]
else:
return [],[],[]
def infer_img(img0,net,model_h,model_w,nl,na,stride,anchor_grid,thred_nms=0.4,thred_cond=0.5):
img = cv2.resize(img0, [model_w,model_h], interpolation=cv2.INTER_AREA)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = img.astype(np.float32) / 255.0
blob = np.expand_dims(np.transpose(img, (2, 0, 1)), axis=0)
outs = net.run(None, {net.get_inputs()[0].name: blob})[0].squeeze(axis=0)
outs = cal_outputs(outs,nl,na,model_w,model_h,anchor_grid,stride)
img_h,img_w,_ = np.shape(img0)
boxes,confs,ids = post_process_opencv(outs,model_h,model_w,img_h,img_w,thred_nms,thred_cond)
return boxes,confs,ids
if __name__ == "__main__":
model_pb_path = "best.onnx"
so = ort.SessionOptions()
net = ort.InferenceSession(model_pb_path, so)
dic_labels= {0:'drug',
1:'glue',
2:'prime'}
model_h = 320
model_w = 320
nl = 3
na = 3
stride=[8.,16.,32.]
anchors = [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]]
anchor_grid = np.asarray(anchors, dtype=np.float32).reshape(nl, -1, 2)
video = 0
cap = cv2.VideoCapture(video)
flag_det = False
while True:
success, img0 = cap.read()
if success:
if flag_det:
t1 = time.time()
det_boxes,scores,ids = infer_img(img0,net,model_h,model_w,nl,na,stride,anchor_grid,thred_nms=0.4,thred_cond=0.5)
t2 = time.time()
for box,score,id in zip(det_boxes,scores,ids):
label = '%s:%.2f'%(dic_labels[id],score)
plot_one_box(box.astype(np.int16), img0, color=(255,0,0), label=label, line_thickness=None)
str_FPS = "FPS: %.2f"%(1./(t2-t1))
cv2.putText(img0,str_FPS,(50,50),cv2.FONT_HERSHEY_COMPLEX,1,(0,255,0),3)
cv2.imshow("video",img0)
key=cv2.waitKey(1) & 0xFF
if key == ord('q'):
break
elif key & 0xFF == ord('s'):
flag_det = not flag_det
print(flag_det)
cap.release() 和我们的best.onnx放在一个文件夹，这个时候我们就可以安装树莓派的虚拟环境了。注意这里大家用 usb不要用csi，具体问题可以参考我之前的帖子树莓派5配合opencv打开摄像头_树莓派5使用 mobilenet v2 实时推理相机视频-CSDN博客，
因为onnx依赖在主环境用
sudo apt-get install onnx会显示软件包不存在，我尝试从github网站直接下载结果显示无法解压，找不到软件包，我都放在我的文件夹还找不到我也不清楚为什么，如果大家使用树莓派5的usb摄像头可以参考这个作者的基于树莓派5连接并调用usb摄像头_树莓派怎么调用usb摄像头-CSDN博客
下载guvcview软件包就可以完美调用摄像头。然后我们直接创建一个虚拟环境，在虚拟环境直接安装onnx和onnxruntime，如果大家显示超时换流量热点多试几次。
pip install onnx
pip install onnxruntime之后运行我们的主文件。这个时候运行推理代码或许会出现报错
Traceback (most recent call last):
File "/home/cb123/project/main.py", line 138, in <module>
det_boxes, scores, ids = infer_img(img0, net, model_h, model_w, nl, na, stride, anchor_grid,
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/home/cb123/project/main.py", line 101, in infer_img
outs = cal_outputs(outs, nl, na, model_w, model_h, anchor_grid, stride)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/home/cb123/project/main.py", line 57, in cal_outputs
outs[row_ind:row_ind + length, 0:2] = (outs[row_ind:row_ind + length, 0:2] * 2. - 0.5 + np.tile(
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
ValueError: operands could not be broadcast together with shapes (3,2,40,6) (4800,2)
------------------
(program exited with code: 1)
Press return to continue可以参考yolov5-lite移植树莓派报错：_人工智能-CSDN问答直接按照这里面的方法改一下，在使用export.py将pt文件转换成onnx文件的时候，需要把parser.add_argument('--concat', action='store_true')这部分（你直接CTRL+f查找就能找到），这里的action='store_true'要改成action='store_false'，重新转一个onnx文件出来，就可以了，最后完美运行程序。
大家还有什么不懂的可以在评论区交流，一起解决问题。
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
35
0- 0
已为社区贡献1条内容
所有评论(0)