Ubuntu 18.04 YOLOv5 环境配置 GPU

2021/6/4 7:29:21

本文主要是介绍Ubuntu 18.04 YOLOv5 环境配置 GPU,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

Ubuntu 18.04 YOLOv5 环境配置 GPU

  • 提示 确保你有Nvidia显卡,并确定所支持的CUDA版本
  • 准备
  • CUDA + cuDNN
    • 安装显卡驱动
    • 安装CUDA
    • 安装cuDNN
  • OpenCV + OpenCV_Contrib
  • Yolov5

提示 确保你有Nvidia显卡,并确定所支持的CUDA版本

准备

  1. Yolov5
  2. opencv + opencv_contrib (下面使用的 opencv 的版本号为4.5.1 )
  3. CUDA (下面使用的CUDA版本为10.2,cuDNN版本为8.1.0)
  4. cuDNN (下载 cuDNN 需要注册Nvidia账号并登录,根据网页引导注册,注意阅读网页介绍,下载的cuDNN 版本需要与 自己安装的 CUDA 版本配套)

在这里插入图片描述

CUDA + cuDNN

安装显卡驱动

检查适合自己的显卡驱动

ubuntu-drivers devices

在这里插入图片描述
安装显卡驱动

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update
sudo apt install nvidia-driver-465

然后重启电脑即可,可以输入nvidia-smi来查看驱动是否安装成功
在这里插入图片描述

安装CUDA

进入下载好的cuda文件所在的文件夹,打开终端,输入命令

sudo sh cuda_xxx_linux.run

选择continue,取消勾选Driver,然后安装即可。
然后打开bashrc,输入命令

sudo gedit ~/.bashrc

在最后添加以下内容:

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-10.2/lib64
export PATH=$PATH:/usr/local/cuda-10.2/bin

具体版本号根据你下载的为准
可以输入nvcc -V检查CUDA是否安装成功

安装cuDNN

解压cuDNN压缩文件

sudo tar -xzvf cudnn-xxx.tgz

会在当前文件夹下生成一个名为cuda的文件夹
然后输入以下命令

sudo cp  cuda/lib64/libcudnn* /usr/local/cuda-10.2/lib64/
sudo cp  cuda/include/cudnn* /usr/local/cuda-10.2/include/
sudo chmod a+r /usr/local/cuda-10.2/include/cudnn.h 
sudo chmod a+r /usr/local/cuda-10.2/lib64/libcudnn*

到这里cuDNN就安装完成了

OpenCV + OpenCV_Contrib

打开Ubuntu商店,搜索cmake,安装即可
将下载好的OpenCV-4.5.1源码解压到主目录下,并在OpenCV-4.5.1中新建build文件夹
在这里插入图片描述

打开CMake,选择源码路径以及编译路径,并勾选Grouped和Advanced
点击Configure,选择Unix Makefiles ,勾选Use default native compilers
点击Configure
在这里插入图片描述
搜索OPENCV_EXTRA_MODULES_PATH,路径选择OpenCV4.5.1/opencv_contrib-4.5.1/modules
搜索cuda,勾选WITH_CUDA和OPENCV_DNN_CUDA
点击Configure,会有自动下载一些文件。
但是由于网络原因,会下载失败,需要手动下载,打开/OpenCV-4.5.1/build/CMakeDownloadLog.txt,搜索文件内的cmake_download,找到要下载的文件的链接,复制链接,使用迅雷下载。
将下载好的文件复制到/OpenCV-4.5.1/opencv-4.5.1/.cache/下的对应文件夹内。
重新执行Configure,没有下载失败的报错后点击Generate。
然后终端进入OpenCV4.5.1/build

make -j8 

注意,make -j后面的数字是线程数,根据你自己的CPU情况选择合适的线程,比如我的CPU是8核16线程,使用8个线程进行编译。

编译完成之后,输入以下命令安装:

sudo make install

opencv 到这里就安装成功了

Yolov5

GitHub地址https://github.com/wudashuo/yolov5
Yolo v5按照网络大小分为四个模型,分别是Yolov5s、Yolov5m、Yolov5l和Yolov5x,它们的准确度和速度的比较如下图所示:
在这里插入图片描述

下载上述GitHub链接中的代码,在下载的yolov5-master文件中打开终端,输入以下命令配置环境:

pip3 install -r requirement.txt

【注意】有可能会出现下图中的错误
在这里插入图片描述

打开终端,输入以下命令即可:

pip3 install scikit-build

然后重新执行以下命令等待安装完成。

pip3 install -r requirement.txt

如果下载速度过慢或下载失败,可以选择其他源下载,比如指定清华源:

pip3 install -r requirement.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

如果在安装opencv-python时卡住或时间过长,则需要先升级pip3,然后重新执行上述命令:

sudo pip3 install –upgrade pip

通过以上步骤,Yolo v5运行所需的环境就已经配置好了,接下来就可以进行简单的测试。在yolov5-master文件夹下打开终端,然后运行以下命令:

python3 detect.py --source 0           	# 本机默认摄像头
                      file.jpg                       		# 图片 
                      file.mp4                      	# 视频
                      path/                          	# 文件夹下所有媒体
                      path/*.jpg                    	# 文件夹下某类型媒体
					  rtsp:// 						 	# rtsp视频流
                      http:// 							# http视频流

如果没有指定权重,则会自动下载默认的COCO预训练权重模型yolov5s.pt,最终检测结果会保存在./runs/detect/文件夹中,运行结果如下图所示。
在这里插入图片描述

当然我们还可以指定权重文件,权重文件下载链接为,将下载好的权重文件放在yolov5-master/weights/文件夹中,下述命令使用yolov5m.pt去检测./data/image文件夹中的所有图片和视频,并设置置信度为0.5:

python3 detect.py --source ./data/images/ --weights ./weights/yolov5m.pt --conf 0.5

在./runs/detect/文件中找到最新的文件夹,里面是最后一次运行的检测结果,如下图所示:
在这里插入图片描述

detect命令中可使用的参数及其含义如下:
--source      	指定检测来源
--weights     	指定权重,不指定的话会使用yolov5s.pt预训练权重
--img-size    	指定推理图片分辨率,默认640,也可使用--img
--conf-thres   	指定置信度阈值,默认0.4,也可使用--conf
--iou-thres    	指定NMS(非极大值抑制)的IOU阈值,默认0.5
--device      	指定设备,如--device 0 --device 0,1,2,3 --device cpu
--classes     		只检测特定的类,如--classes 0 2 4 6 8
--project     		指定结果存放路径,默认./runs/detect/
--name      		指定结果存放名,默认exp
--view-img   		以图片形式显示结果
--save-txt     	输出标签结果(yolo格式)
--save-conf   	在输出标签结果txt中同样写入每个目标的置信度
--agnostic-nms 	使用agnostic NMS
--augment    	增强识别
--update     		更新所有模型
--exist-ok    		若重名不覆盖

以上的步骤都是使用官方训练好的权重模型进行检测,如果我们想训练自己的数据集,就需要经过采集图片,标注图片和训练模型这三步。下面将会对这些步骤一一介绍。
下载图片将训练集放至yolov5-master/coco/images/train/文件夹内,该训练集有40张图片,只有两个类别,分别是Curry和Durant。将验证集放至yolov5-master/coco/images/val/文件夹内
安装图片标注软件labelImg:

pip3 install labelImg

在这里插入图片描述

如果出现上图中的错误,请在终端中输入

echo 'export PATH=/home/xxx/.local/bin:$PATH' >>~/.bashrc
source ~/.bashrc
pip3 uninstall labelImg
pip3 install labelImg

打开labelImg

labelImg

可能会出现下图中的错误
在这里插入图片描述

输入以下指令,然后重新打开labelImg:

sudo apt install libxcb-xinerama0

在这里插入图片描述

打开目录,选择yolov5-master/coco/images/train/,选中2.jpg,点击创建区块,框选Curry和Durant并设置标签名称为各自的姓名:
在这里插入图片描述
在这里插入图片描述

点击保存至图片所在的目录下即可:
在这里插入图片描述

完成这些步骤之后,对一张图片进行的标注操作就完成了。剩余的图片请大家遵循上述步骤依次标注。完成标注之后,将train文件夹内的所有xml文件统一移动到yolov5-master/coco/labels/train/内,接下来我们需要自己写一个python程序xml_to_txt.py,将xml文件中的目标位置信息提取到txt格式的文件中。

import glob
import xml.etree.ElementTree as ET
class_names = ['Curry', 'Durant']
path = 'coco/labels/train/'
def single_xml_to_txt(xml_file):
	tree = ET.parse(xml_file)
	root = tree.getroot()
	txt_file = xml_file.split('.')[0] + '.txt'
	with open(txt_file, 'w') as txt_file:
		for member in root.findall('object'):
			picture_width = int(root.find('size')[0].text)
			picture_height = int(root.find('size')[1].text)
			class_name = member[0].text
			class_num = class_names.index(class_name)
			box_x_min = int(member[4][0].text)
			box_y_min = int(member[4][1].text)
			box_x_max = int(member[4][2].text)
			box_y_max = int(member[4][3].text)
			x_center = (box_x_min + box_x_max) / (2 * picture_width)
			y_center = (box_y_min + box_y_max) / (2 * picture_height)
			width = (box_x_max - box_x_min) / picture_width
			height = (box_y_max - box_y_min) / picture_height
			print(class_num, x_center, y_center, width, height)
			txt_file.write(str(class_num)+' '+str(x_center)+' '+str(y_center)+' '
+str(width) +' '+str(height)+'\n')
def dir_xml_to_txt(path):
	for xml_file in glob.glob(path + '*.xml'):
		single_xml_to_txt(xml_file)
dir_xml_to_txt(path)

将xml_to_txt.py放置在yolov5-master/文件夹下,输入以下命令运行:
python3 xml_to_txt.py
该程序会在yolov5-master/coco/labels/train/文件中生成每一个xml文件对应的txt文件。然后将xml文件删除即可。
对验证集的处理步骤和上述一致,只需将xml_to_txt.py中的path = 'coco/labels/train/'修改为path = ‘coco/labels/val/’。
然后制作一个数据文件,进入到yolov5-master/coco/data/文件夹中,拷贝coco.yaml并重命名为mydata.yaml。打开mydata.yaml,修改训练集、验证集、测试集路径、定义总类别数和定义类别名称。该文件内只保留以下内容:

train: ./coco/images/train/
val: ./coco/images/val/
test: ./coco/images/test/
nc: 2
names: [ 'Curry', 'Durant' ]

完成上述步骤之后,就可以开始训练了,在yolov5-master/文件夹中打开终端,输入以下命令:
#使用yolov5s模型初始化网络训练mydata数据集,300个epochs,batch size设为16

python3 train.py --batch 16 --epochs 300 --data ./data/mydata.yaml --weights ./weights/yolov5s.pt

训练得到的权重文件保存在yolov5-master/runs/train/文件夹中。
在这里插入图片描述
在这里插入图片描述

train命令中可使用的参数及其含义如下:
--weights		指定权重,如果不加此参数会默认使用官方预训练的yolov5s.pt
--cfg 		指定模型文件
--data		指定数据文件 
--hyp		指定超参数文件
--epochs		指训练完整数据的次数,默认300
--batch-size	指一次迭代训练的数据大小,默认16,官方推荐越大越好,用你GPU
能承受最大的。可简写为--batch
--img-size 	指定训练图片大小,默认640,可简写为--img
--name 		指定结果文件名,默认result.txt
--device 		指定训练设备,如--device 0,1,2,3
--local_rank 	分布式训练参数,不要自己修改!
--log-imgs 	W&B的图片数量,默认16,最大100
--workers 	指定dataloader的workers数量,默认8
--project 		训练结果存放目录,默认./runs/train/
--name 		训练结果存放名,默认exp

使用训练好的权重检测图片:

python3 detect.py --source ./coco/images/val/ --weights ./runs/train/exp3/weights/best.pt  --conf 0.5

结果如下:
在这里插入图片描述



这篇关于Ubuntu 18.04 YOLOv5 环境配置 GPU的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!


扫一扫关注最新编程教程