yolo8 是cpu训练还是gpu yolov5 cpu

在CPU上进行完整版yolov5项目跟练记录

一、yolov5原理解析

本节内容参考来源：1、2、3

1. 目标检测任务说明

目标检测指的是：输入图像或视频，要从图像中获取需要的物体类型以及位置等信息。

主要的检测性能指标如下图所示：

1.1 基础检测精度指标：

1.2 基础检测速度指标：

2. 目标检测与yolov5发展历程

2.1目标检测发展史

2.2 yolo原理及发展史

yolo简介：

yolov1：

yolov2：

yolov3：

yolov4：

yolov5：

二、在CPU上部署yolov5

剩下章节内容主要参考来源：1、2、3 显卡匹配：我的设备是核显，没有独显，所以也用不了CUDA，因此选择在CPU上跑yolov5

1. Win10环境配置

1.1 下载并安装anaconda和pycharm

（注意不用单独安python 容易与anaconda版本不匹配而报错，anaconda会自带安装对应的python）
用cmd创建python3.7版本的yolov5环境并激活

1.2 导入Pytorch库

平台选择CPU

安装opencv，在anaconda prompt输入pip install python-opencv 即可

2. 下载yolov5源码并测试

将github上的yolov5代码下载后 用pycharm打开，并添加之前激活的yolov5环境，源码地址： https://github.com/ultralytics/yolov5

以下为源码包的简要介绍：

接下来安装依赖库，在pycharm打开yolov5源码文件中的requirements.txt，将第一行命令 pip install -r requirements.txt 输入终端等待包安装导入。安装完成后运行源码中的detect.py文件

完成后进入图中runs\detect\exp路径

发现以下两张被处理的图片：

测试运行成功，准备工作已完成

三、用yolov5训练coco128数据集

由于电脑配置原因跑不动coco2017，所以采用coco128数据集进行训练。

首先需要修改yolov5文件中的train.py中parse_opt部分参数：

weight为训练参数保存名称

cfg设置模型配置文件，选择yolov5s.yaml

data中配置训练数据配置文件为coco128.yaml

由于电脑配置低，epoch改为10轮迭代

batchsize选择比较小2的幂次即可，这里选择16

接下来运行train.py文件

每轮训练后更新模型验证精度（观察指标：精度’P’，召回率’R’，mAP@.5和mAP@.5:.95）

报错：bad git executable

#出错原因：git环境变量设置问题

#简便解决办法：在导入包的上方增加以下代码

import os

os.environ[“GIT_PYTHON_REFRESH”] = “quiet”

参考链接：在这开始运行，运行结果保存在exp2中

报错：内存不足，测试停止，计划的十次迭代只进行了7次

四、制作自己的数据集

1. 制作个人数据集

下载猫狗数据集 参考链接： https://zhuanlan.zhihu.com/p/116826786 文件路径结构参考如下（本文将own_datas命名为catndog）：

接下来开始制作猫猫的单项数据集

选择猫猫图片34张图片，复制进以下路径

yolov5-master\catndog\images\train

安装依赖库来给数据集打标签：

在Anaconda Prompt里pip install pyqt5和pip install labelme

完成后在终端输入labelme 在新窗口对训练集进行标注

Open dir 中选中images\train，出现训练集图片之后，右键选择create rectangle 框选对象

写入对象类的标签名后，存入labels\json路径中，点击next image进行下一张框选，直至34张框选完成

附：labelme使用指南

由于yolov5只能识别.txt格式，所以接下来要将.json格式的文件转换成.txt文件

在yolov5-master文件中新建json2txt.py文件，并拷贝如下代码：

import json
import os
 
name2id = {'cat': 0}  # 标签名称
 
 
def convert(img_size, box):
    dw = 1. / (img_size[0])
    dh = 1. / (img_size[1])
    x = (box[0] + box[2]) / 2.0 - 1
    y = (box[1] + box[3]) / 2.0 - 1
    w = box[2] - box[0]
    h = box[3] - box[1]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)
 
 
def decode_json(json_floder_path, json_name):
    txt_name = 'F:\yolov5\catndog/labels/txt/' + json_name[0:-5] + '.txt'
    # txt文件夹的绝对路径
    txt_file = open(txt_name, 'w')
 
    json_path = os.path.join(json_floder_path, json_name)
    data = json.load(open(json_path, 'r', encoding='gb2312', errors='ignore'))
 
    img_w = data['imageWidth']
    img_h = data['imageHeight']
 
    for i in data['shapes']:
 
        label_name = i['label']
        if (i['shape_type'] == 'rectangle'):
            x1 = int(i['points'][0][0])
            y1 = int(i['points'][0][1])
            x2 = int(i['points'][1][0])
            y2 = int(i['points'][1][1])
 
            bb = (x1, y1, x2, y2)
            bbox = convert((img_w, img_h), bb)
            txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n')
 
 
if __name__ == "__main__":
 
    json_floder_path = ''F:/yolov5/catndog/labels/json/'
    # json文件夹的绝对路径
    json_names = os.listdir(json_floder_path)
    for json_name in json_names:
        decode_json(json_floder_path, json_name)

运行json2txt.py，结束后可以在txt文件中看到对应的34个文件。将txt文件全部复制进labels\train文件中
将yolov5-master\data路径下找到128.yaml文件，复制到yolov5-master\catndog目录下，为方便理解，将其重命名为cat.yaml
接下来选择模型，由于数据集样本较少，所以选择精度更高的yolov5l，将yolov5-master\models路径下的yolov5l也复制进yolov5-master\catndog目录下，并重命名为yolov5l_cat.yaml

2. 设定训练参数：

打开cat.yaml文件，修改参数，将path注释掉，train 和 val 都使用刚制作好的个人数据集即可：

修改结果如下：

再打开yolov5l_cat.yaml文件，修改下面这行即可：

nc: 1 # number of classes

打开train.py文件，修改参数

parser.add_argument('--weights', type=str, default='weights/yolov5s.pt', help='initial weights path')       #初始化权重文件的路径地址
	parser.add_argument('--cfg', type=str, default='models/yolov5s_hat.yaml', help='model.yaml path')       #模型yaml文件的路径地址
	parser.add_argument('--data', type=str, default='data/hat.yaml', help='data.yaml path')                             #数据yaml文件的路径地址

因为电脑配置较差，所以初步将epochs设为 5

workers 设为 2 ，workers是最大工作核心数，我的电脑为双核四线程。修改后运行即可

报错：

参考链接：

由于yaml对空格数要求很严格，没有对齐就会报这个错，对齐后运行成功

运行到一半报告内存不够：

清理后继续运行train.py 依然失败，遂改为使用yolov5s模型

运行成功后，可在 runs\train\exp22 路径下查看运行结果

结果分析参考链接：

五、用yolov5训练自己的数据集并用视频进行测试

在b站上选择几段猫猫视频进行录屏，作为此次监测的测试集，将视频存入yolov5-master/catnddog/images/test
打开detect.py文件，修改以下两行代码：

parser.add_argument('--weights', nargs='+', type=str, default='runs/train/exp22/weights/best.pt', help='model path(s)')
	parser.add_argument('--source', type=str, default='catndog/images/test', help='file/dir/URL/glob, 0 for webcam')

一个是模型的相对路径，另一个是存放测试文件的路径

运行detece.py后，在runs/detect/exp3中查看结果

结果未识别出猫猫，分析可能是迭代次数太少所以模型性能较差，将迭代改为30后重新测试后，

训练结果如下：

测试后视频截图如下：