---

后知后覺的我，終于明白了之前師哥說的簡簡單單的幾句話。

由于用的公司電腦，沒有GPU，沒有辦法搭建yolo環境，故沒法訓練模型。

借助服務器，獲取所需的GPU。通過vs code連接服務器，剩余操作其實和本地差不多。（如果還是不懂，可以了解linux的基本結構）

?

搭環境！！簡單幾個字其實一直不太明白，知道看到上述虛擬環境的博文，才算有了一點點清晰的認識，每個算法模型都在自己的“生存條件”，即環境

在該環境下算法才能正常運行。那訪問服務器，滿足GPU的條件后，就開始正式搭建環境，而該服務器下，其實師姐師哥們已經搭建好了一個yolov5的虛擬環境

我只需要激活該環境，在該環境下運行yolov5算法模型即可！！！

而為了不破壞師姐師哥們的環境，我可以自己創建一個新的虛擬環境，在里面下載安裝包，搭建環境也可以！！！

---

?

#服務器

由于電腦沒有獨立顯卡，所以無法安裝cuda等相關軟件以搭建yolo環境，故需要利用公司的服務器。

?

• 服務器和電腦的差別

https://zhuanlan.zhihu.com/p/162938209

https://zhuanlan.zhihu.com/p/166335427

從用途來看；服務器是主機通過安裝各種程序，長期穩定接受互聯網訪問，提供各式各樣服務的工具，長期、穩定、開放是它顯著的特點。

從安裝系統來看；服務器有著專門的系統，比如Windows系統有Windows2003/2008/2012/2016/2019各種版本，Linux系統也有Ubuntu、centos、redhat等版本，還有專門用來虛擬化的VMware、Virutozzo等，這些系統強化了主機作為服務器的性能，能夠更快更穩定運行，節約系統資源。

?

• 如何通過vs code連接服務器

從vs code連接服務器的教程如下：

https://jingyan.baidu.com/article/ca41422ff94e1c5faf99ed7e.html

其中有一步比較疑惑，即輸入ssh連接命令接口，格式為ssh user@hostname -p port，對應配置是

可以通過兩種方式方式連接：

ssh user@hostname -p port

ssh 別名

連接成功后，直接選擇第一個配置，成功連接后，輸入密碼即可。

?

• 連接服務器以后如何使用

(1)了解linux系統的基礎結構

https://www.cnblogs.com/zx125/p/11557483.html

?

補充知識點：

①root賬戶和name賬戶

root用戶是系統中唯一的超級管理員，它具有等同于操作系統的權限。一些需要root權限的應用，譬如廣告阻擋，是需要root權限的。

root比windows的系統管理員的能力更大，足以把整個系統的大部分文件刪掉，導致系統完全毀壞，不能再次使用。用root進行不當的操作是相當危險的，輕微的可以死機，嚴重的甚至不能開機。

在Unix、Linux及Android中，除非確實需要，一般情況下都不推薦使用root，最好單獨建立一個普通的用戶，作為日常之用。

?

~是什么？

其實就是根目錄下的個人文件夾

如果以root賬號登陸 ，~ 是 /root/

如果以 name 登陸 ，~ 是 /home/name/

可知對應的是/home/name/data/lbb 其中name是個人文件夾，是一個用戶

?

②鏡像（Mirroring）

鏡像是一種文件存儲形式，是冗余的一種類型，一個磁盤上的數據在另一個磁盤上存在一個完全相同的副本即為鏡像。

?

（2）了解conda的指令

https://www.jianshu.com/p/f0602213f400

?

（3）連接服務以后如何操作？

①成功連接

?

②點開文件夾，新建py文件，編寫代碼

?

③輸入命令 nvidia-smi 查看英偉達顯卡信息以及顯卡驅動和cuda信息

?

④如何將本地的文件上傳到服務器中

不用復雜的代碼，直接拖拽就行

?

#搭建yolo的環境

明白服務器為何物后，我們需要新建虛擬環境yolov5，在其中配置好yolov5環境需要的包

師姐已經在服務器中把環境搭好了，所以我就省事了，只需要將她搭建好的環境復制到我的虛擬環境中

?

搭建yolo環境，明白何為搭建環境和虛擬環境
?
虛擬環境：https://www.cnblogs.com/yuehouse/p/10239195.html

?

了解conda，在虛擬環境中運行

由于通過了服務器，故需要掌握虛擬環境的使用。

使用conda創建虛擬環境：https://blog.csdn.net/qq_45154565/article/details/109326095

?

用到的指令：

查看虛擬環境：conda info --envs

刪除虛擬環境：conda remove -n env?--all (env為虛擬環境的名字)

復制虛擬環境：conda create -n env2?--clone env1?（env1是要復制的環境，env2是創建的環境）

查看復制后的虛擬環境安裝包：conda list

對比虛擬環境安裝包和requirement.txt的內容，看是否需要更新或添加

ps:復制yolov5的環境至lbb虛擬環境中，檢查lbb虛擬環境是否配置完整，然后開始用正式訓練

?

#正題：用yolov5訓練自己的數據集

?

以下三個鏈接是同一個博主，可以快速了解全過程，并且非常詳細

https://blog.csdn.net/CSDN1621564706/article/details/115295208?spm=1001.2014.3001.5501?（搭建yolo環境）

https://blog.csdn.net/CSDN1621564706/article/details/114152179?spm=1001.2014.3001.5501

https://blog.csdn.net/CSDN1621564706/article/details/115311347?spm=1001.2014.3001.550? ??

?

以下三個鏈接是覺得非常完整，可以相互對比看的內容，我的代碼也是參考以下三個鏈接中的。

https://blog.csdn.net/weixin_48994268/article/details/115282688

https://blog.csdn.net/a_cheng_/article/details/111401500

https://blog.csdn.net/qq_36756866/article/details/109111065?spm=1001.2014.3001.5501

?

• 制作數據集

coco文件夾是數據集制作，yolov5是源代碼，接下來講述如何制作數據集

在coco下新建images和labels兩個文件夾，分別放置圖片和標注文件

然后同級目錄下新建兩個py文件

import os import random trainval_percent = 0.1 train_percent = 0.9 xmlfilepath = 'coco/images' txtsavepath = 'coco/ImageSets' total_xml = os.listdir(xmlfilepath) num = len(total_xml) list = range(num) tv = int(num * trainval_percent) tr = int(tv * train_percent) trainval = random.sample(list, tv) #從所有list中返回tv個數量的項目 train = random.sample(trainval, tr) if not os.path.exists('coco/ImageSets/'):os.makedirs('coco/ImageSets/') ftrainval = open('coco/ImageSets/trainval.txt', 'w') ftest = open('coco/ImageSets/test.txt', 'w') ftrain = open('coco/ImageSets/train.txt', 'w') fval = open('coco/ImageSets/val.txt', 'w') for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftest.write(name)else:fval.write(name)else:ftrain.write(name) ftrainval.close() ftrain.close() fval.close() ftest.close()

該代碼會生成以下文件夾

?

另一個py文件

import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join sets = ['train', 'test','val'] classes = ['person', 'bicycle', 'car', 'motorcycle', 'airplane', 'bus', 'train', 'truck', 'boat', 'traffic light','fire hydrant', 'stop sign', 'parking meter', 'bench', 'bird', 'cat', 'dog', 'horse', 'sheep', 'cow','elephant', 'bear', 'zebra', 'giraffe', 'backpack', 'umbrella', 'handbag', 'tie', 'suitcase', 'frisbee','skis', 'snowboard', 'sports ball', 'kite', 'baseball bat', 'baseball glove', 'skateboard', 'surfboard','tennis racket', 'bottle', 'wine glass', 'cup', 'fork', 'knife', 'spoon', 'bowl', 'banana', 'apple','sandwich', 'orange', 'broccoli', 'carrot', 'hot dog', 'pizza', 'donut', 'cake', 'chair', 'couch','potted plant', 'bed', 'dining table', 'toilet', 'tv', 'laptop', 'mouse', 'remote', 'keyboard', 'cell phone','microwave', 'oven', 'toaster', 'sink', 'refrigerator', 'book', 'clock', 'vase', 'scissors', 'teddy bear','hair drier', 'toothbrush'] def convert(size, box):dw = 1. / size[0]dh = 1. / size[1]x = (box[0] + box[1]) / 2.0y = (box[2] + box[3]) / 2.0w = box[1] - box[0]h = box[3] - box[2]x = x * dww = w * dwy = y * dhh = h * dhreturn (x, y, w, h)#若目前標注文件已經是txt，不是xml，可直接講以下兩處地方注釋掉 #第一處代碼 ''' def convert_annotation(image_id):in_file = open('coco/all_annotations/%s.xml' % (image_id))out_file = open('coco/all_labels/%s.txt' % (image_id), 'w')tree = ET.parse(in_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))bb = convert((w, h), b)out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')'''wd = getcwd() print(wd) for image_set in sets:if not os.path.exists('coco/labels/'):os.makedirs('coco/labels/')image_ids = open('coco/ImageSets/%s.txt' % (image_set)).read().strip().split()list_file = open('coco/%s.txt' % (image_set), 'w')for image_id in image_ids:list_file.write('/home/cv/data/lbb/coco/images/%s.jpg\n' % (image_id))#convert_annotation(image_id) 第二處注釋代碼list_file.close()

該代碼會生成以下文件（沒有 .cache文件，這兩個文件是后來生成的）

?

此時數據集變成如下所示（沒有 .cache文件，這兩個文件是后來生成的）

到此為止，數據集制作完畢，在這里強調一點：檢查一下train.txt里的圖片路徑是否是絕對路徑，這樣不易出錯。

?

• 訓練數據集

訓練數據集的操作跟以上分享的三個網址保持一致。

修改data里的yaml文件，models的種類數量，train.py的對應參數

需要注意的點：提前下載好yolov5s.pt放置在weights的文件夾下，縮短訓練時長（下載地址以上分享的三個網址中有）

然后輸入指令：python mytest.py --img 640 --batch 12 --epochs 100 --data data/mytest.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt?

?

• 測試detect.py

訓練完以后可以看到在runs/train/exp/weights下生成了訓練好的權重文件best.pt和last.pt，接著我們用訓練好的權重文件進行測試，打開detect.py文件，修改對應兩個變量（操作跟以上分享的三個網址保持一致）

輸入指令：python detect.py --weights runs/train/exp3/weights/best.pt --source data/images/ --device 0 --save-txt

需要注意的點：測試的圖片不要和訓練圖片重復

?

• 查看結果

結果圖片會在run/detect下的exp文件夾中生成

?

#在該過程中的遇到的小問題

（1）代碼出現紅色波浪線：語法錯誤（不小心空格）或代碼不嚴謹，一般很難檢查出來，我都是重新復制粘貼

（2）正式訓練數據集之前，需要先制作自己的數據集，先對數據進行分類工作。

（3）yolov5的代碼放在跟數據集同級目錄下

注意：修改yolov5代碼的data下的文件時，路徑用絕對路徑，以防出錯，制作數據集時，代碼里的路徑也最好是絕對路徑

（4）可以先下載權重模型，放置weights文件夾下，減少訓練時長

（5）用指令執行train.py文件

python mytest.py --img 640 --batch 12 --epochs 100 --data data/mytest.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt?

（6）在運行過程中出現問題，于是pip install wandb

下載后又出現問題，如下：

輸入：3。

（7）測試時不要用訓練的圖片

（8）用該地址下載的工具解析coco數據集：

https://blog.csdn.net/flyfish1986/article/details/115485209?

?

?

?

?

?

?

?

?

總結

以上是生活随笔為你收集整理的纯小白通过服务器搭建yolov5环境训练coco数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。