文章目录

  • 1.数据集
  • 2.训练代码
  • 3.数据预处理
  • 3.1 将Annotations和images放入data目录下，并新建文件夹ImageSets，labels
  • 3.2 运行根目录下makeTxt.py
  • 3.3 运行根目录下voc_label.py
  • 4.配置文件
  • 4.1 在data目录下新建xxx.data，配置训练的数据:
  • 4.2 在data目录下新建xxx.names，配置预测的类别:
  • 4.3 网络结构配置，在工程下cfg目录下有很多的yolov3网络结构，我们本次采用的是yolov3-tiny.cfg
  • 5.训练
  • 6.预测
  • 7.注意：
  • 8.遇到的问题
  • 8.1 cuda 内存溢出：
  • 8.2 OSError: [WinError 1455] 页面文件太小，无法完成操作
  • 8.3 GPU利用率低：
  • 8.4 命令行如何debug:
  • 补充：


1.数据集

3.数据预处理

3.1 将Annotations和images放入data目录下，并新建文件夹ImageSets，labels

3.2 运行根目录下makeTxt.py

将数据分成训练集，测试集和验证集，比例可以在代码设置。在ImageSets得到四个文件，其中我们主要关注的是train.txt，test.txt，val.txt，主要存储图片名称。

3.3 运行根目录下voc_label.py

生成labels下的具体内容，和data下的train.txt，test.txt，val.txt，得到完整的图片具体路径

4.配置文件

4.1 在data目录下新建xxx.data，配置训练的数据:

classes=1
	train=data/train.txt
	valid=data/test.txt
	names=data/xxx.names
	backup=backup/
	eval=coco

4.2 在data目录下新建xxx.names，配置预测的类别:

xxx

4.3 网络结构配置，在工程下cfg目录下有很多的yolov3网络结构，我们本次采用的是yolov3-tiny.cfg

5.训练

python train.py  --device 0 --data data/xxx.data --cfg cfg/yolov3-tiny.cfg --epochs 10 --weights weights/yolov3-tiny.weights

训练结束得到最好的模型： best.pt

6.预测

python detect.py --device 0 --names data/xxx.names --source data/samples/ --cfg cfg/yolov3-tiny.cfg --weights weights/best.pt --conf-thres 0.056

7.注意：

运行：tensorboard --logdir=runs --> http://localhost:6006/

device 设置： 0 or 0,1 or cpu

CUDA_VISIBLE_DEVICES=1     # 只有编号为1的GPU对程序是可见的，在代码中gpu[0]指的就是这块GPU；
CUDA_VISIBLE_DEVICES=0,2,3 # 只有编号为0,2,3的GPU对程序是可见的，在代码中gpu[0]、gpu[1]和gpu[2]分别指的是第0、2和3块。

8.遇到的问题

8.1 cuda 内存溢出：

import os
os.environ["CUDA_VISIBLE_DEVICES"] = '1'

8.2 OSError: [WinError 1455] 页面文件太小，无法完成操作

1.修改Dataloader中的num_workers参数为0（似乎仅针对windows系统下）
2.缩小batch_size
3.把训练的代码块放入if __name__=='__main__':中

8.3 GPU利用率低：

1.把batch_size设置大些（如batch_size=512），尽可能利用GPU；
2.train_loader中pin_memory=True,num_workers=8或16，提高计算速度。

8.4 命令行如何debug:

import pdb; pdb.set_trace()  （n代表下一步）