模型使用

准备模型源码和数据集

1. 请参考•模型下载的三种方式：部分准备模型源码。
2. 安装依赖。

   在模型根目录执行以下命令，安装模型对应PyTorch版本需要的依赖。

   pip3 install -r 1.5_requirements.txt  # PyTorch1.5版本
   pip3 install -r 1.8_requirements.txt  # PyTorch1.8版本

   

   只需执行一条对应的PyTorch版本依赖安装命令。

3. 请自行获取coco2017数据集。
   解压后数据集目录结构参考如下（文件夹名称以“$coco_data”为例）：

   $coco_data: # 根目录
       ├── train2017 # 训练集图片，约118287张
       ├── val2017 # 验证集图片，约5000张
       └── annotations # 标注目录
             ├── instances_train2017.json # 对应目标检测、分割任务的训练集标注文件
             ├── instances_val2017.json # 对应目标检测、分割任务的验证集标注文件
             ├── captions_train2017.json
             ├── captions_val2017.json
             ├── person_keypoints_train2017.json
             └── person_keypoints_val2017.json

4. 生成专用标注文件。
   将代码仓中“coco/coco2yolo.py”和“coco/coco_class.txt”拷贝到“$coco_data”根目录，运行如下命令，在“$coco_data”根目录生成“train2017.txt”和“val2017.txt”文件。

   python3 coco2yolo.py

5. 配置数据集路径。

   在模型根目录执行以下命令：

   mkdir datasets
   ln -s $coco_data ./datasets/coco

   

   $coco_data参数填写数据集路径。

6. 编译安装torchvision。

   为了更快的推理性能，请编译安装而非直接安装torchvision。

   git clone -b v0.9.1 https://github.com/pytorch/vision.git  # 根据torch版本选择不同分支
   cd vision
   python3 setup.py bdist_wheel
   pip3 install dist/*.whl

7. 编译安装opencv-python。

   为了获得最好的图像处理性能，请编译安装opencv-python而非直接安装。编译安装步骤如下：

   export GIT_SSL_NO_VERIFY=true
   git clone https://github.com/opencv/opencv.git
   cd opencv
   mkdir -p build
   cd build
   cmake -D BUILD_opencv_python3=yes -D BUILD_opencv_python2=no -D PYTHON3_EXECUTABLE=/usr/local/python3.7.5/bin/python3.7m -D PYTHON3_INCLUDE_DIR=/usr/local/python3.7.5/include/python3.7m -D PYTHON3_LIBRARY=/usr/local/python3.7.5/lib/libpython3.7m.so -D PYTHON3_NUMPY_INCLUDE_DIRS=/usr/local/python3.7.5/lib/python3.7/site-packages/numpy/core/include -D   PYTHON3_PACKAGES_PATH=/usr/local/python3.7.5/lib/python3.7/site-packages -D PYTHON3_DEFAULT_EXECUTABLE=/usr/local/python3.7.5/bin/python3.7m ..
   make -j$nproc
   make install

模型训练

本文以Yolov5模型为例介绍模型训练。

Yolov5模型支持单机训练和多机多卡训练，请根据您的机器规格从下列训练方式中选择一种即可（如果您是初学者，推荐使用单机训练即可）。

您需要在模型根目录执行以下命令。

• 单机训练
  • 单机单卡训练
    启动单卡训练。

    bash test/train_yolov5m_performance_1p.sh  //yolov5m 1p_performance
    bash test/train_yolov5s_performance_1p.sh  //yolov5s 1p_performance

    以下为单卡训练成功的示例日志：

    图1 单卡训练成功日志
    
  • 单机8卡训练

    启动8卡训练。

    bash test/train_yolov5s_performance_8p.sh  //yolov5s 8p_performance
    bash test/train_yolov5m_performance_8p.sh  //yolov5m 8p_performance
    bash test/train_yolov5s_full_8p.sh  //yolov5s 8p_accuracy
    bash test/train_yolov5m_full_8p.sh  //yolov5m 8p_accuracy
    bash test/train_yolov5m_full_8p_high_preci.sh  //yolov5m 8p_high_precision

  至此，恭喜您完成了一次单机模型训练。

  默认情况下进行2轮训练，可通过在训练脚本中设置epochs参数取值决定训练轮数。

  训练完成后，权重文件、模型训练精度和性能信息保存在当前路径下。

• 多机多卡训练

  bash test/train_yolov5s_performance_cluster.sh --data_path=$coco_data --nnodes=机器数量 --node_rank=机器序号(0,1,2...) --master_addr=主机服务器地址 --master_port=主机服务器端口号
  bash test/train_yolov5m_performance_cluster.sh --data_path=$coco_data --nnodes=机器数量 --node_rank=机器序号(0,1,2...) --master_addr=主机服务器地址 --master_port=主机服务器端口号

  

  • $coco_data参数填写数据集路径。
  • 当前脚本默认为8卡，若使用自定义卡数，需要在上面命令后添加 --device_number（每台机器使用卡数）与 --head_rank（起始卡号）两个参数。例如分别为4、0时，代表使用0-3卡训练。

  至此，恭喜您完成了一次多机多卡模型训练。

  默认情况下进行2轮训练，可通过在训练脚本中设置epochs参数取值决定训练轮数。

  训练完成后，权重文件、模型训练精度和性能信息保存在当前路径下。

评估与推理

本文以Yolov5模型为例介绍评估与推理。

评估与推理只支持单机单卡。

您需要在模型根目录执行以下命令。

• 模型评估

  bash test/train_yolov5m_eval.sh

  以下为评估成功的示例日志：

  图2 评估成功日志
  

  至此，恭喜您完成了一次模型评估。

• 模型推理

  python3 detect.py --conf-thres=0.50 --iou-thres=0.50 --img-size=640 --weight='yolov5.pt' --source=./images/original_imgs --project=./images/infer_imgs --device=0

  以下为推理成功的示例日志：

  图3 推理成功日志
  

  输出结果如图4所示：

  图4 Yolov5推理效果展示
  

  至此，恭喜您完成了一次模型推理。

脚本参数说明

• 训练脚本公共参数：

  --data                              //数据集路径
  --workers                           //加载数据进程数     
  --batch-size                        //训练批次大小
  --epochs                            //重复训练次数
  --weights                           //初始权重路径
  --rect                              //矩形训练
  --nosave                            //保存最后一个权重
  --noval                             //验证最后一个epoch
  --artifact_alias                    //数据集版本
  --save-period                       //权重保存

• detect.py：

  --conf-thres			    //置信度阈值
  --iou-thresiou			    //阈值
  --img-size			    //输入网络的图片大小
  --weight			    //权重文件
  --source			    //输入图片的地址
  --project			    //推理结果图片的输出地址
  --device		            //使用的推理卡号