模型详情
ModelZoo 主页
主页大模型模型库工具库权重库ModelShow文档中心论坛交流

概述

简述

YOLO是一个经典的物体检测网络，将物体检测作为回归问题求解。YOLO训练和推理均是在一个单独网络中进行。基于一个单独的end-to-end网络，输入图像经过一次inference，便能得到图像中所有物体的位置和其所属类别及相应的置信概率。YOLOv5于2020.05.27首次发布，截至2020.12.01仍在更新，目前NPU适配的版本为Yolov5 Tag=v6.0。

  • 参考实现：

    url=https://github.com/ultralytics/yolov5.git
Tag=v6.0

  • 适配昇腾 AI 处理器的实现：

    url=https://gitee.com/ascend/modelzoo-GPL
code_path=built-in/PyTorch/Official/cv/object_detection

准备训练环境

准备环境

  • 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

    表 1 版本支持表

    Torch_Version 三方库依赖版本
    PyTorch 1.5 pillow==8.4.0
    PyTorch 1.8 pillow==9.1.0

  • 环境准备指导。

    请参考《Pytorch框架训练环境准备》。

  • 安装依赖。

    在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

    pip install -r 1.5_requirements.txt  # PyTorch1.5版本

pip install -r 1.8_requirements.txt  # PyTorch1.8版本

    说明： 只需执行一条对应的PyTorch版本依赖安装命令。

准备数据集

  1. 获取数据集。

    用户自行获取原始数据集coco2017，将数据集上传到服务器任意路径下并解压，数据集目录结构参考如下所示：

    ├── coco #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

    说明： 该数据集的训练过程脚本只作为一种参考示例。

  2. 生成yolov5专用标注文件。

    （1）将代码仓中coco/coco2yolo.py和coco/coco_class.txt拷贝到coco数据集根目录。

    （2）运行coco2yolo.py。

    python3 coco2yolo.py

    （3）运行上述脚本后，将在coco数据集根目录生成train2017.txt和val2017.txt。

  3. 在源码包根目录下配置数据集路径。

    mkdir datasets
ln -s coco_path ./datasets/coco  # coco_path为数据集实际路径

  • 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
 python setup.py bdist_wheel
 pip3 install dist/*.whl

  1. 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

开始训练

训练模型

  1. 进入解压后的源码包根目录。

    cd /${模型文件夹名称}

  2. 运行训练脚本。

    该模型支持单机单卡训练和单机8卡训练。

    • 单机单卡训练

      启动单卡训练。

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

    • 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

    • 纯FP32计算

      启动单卡训练

      bash test/train_yolov5s_fp32_performance_1p.sh  # yolov5s 1p_fp32_performance

      启动多卡训练

      bash test/train_yolov5s_fp32_performance_8p.sh  # yolov5s 8p_fp32_performance
bash test/train_yolov5s_fp32_full_8p.sh  # yolov5s 8p_fp32_accuracy

    • 纯HF32计算

      启动单卡训练

      bash test/train_yolov5s_fp32_performance_1p.sh --hf32   # yolov5s 1p_hf32_performance

      启动多卡训练

      bash test/train_yolov5s_fp32_performance_8p.sh --hf32  # yolov5s 8p_hf32_performance
bash test/train_yolov5s_fp32_full_8p.sh --hf32     # yolov5s 8p_hf32_accuracy

    • NPU 多机多卡训练指令

      启动多机多卡训练。

      bash test/train_yolov5s_performance_cluster.sh --data_path=数据集路径 --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=数据集路径 --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

      ps:脚本默认为8卡，若使用自定义卡数，继续在上面命令后添加 --device_number=每台机器使用卡数 --head_rank=起始卡号，例如分别为4、0时，代表使用0-3卡训练。

    • 在线推理 启动在线推理。

      bash ./test/train_yolov5s_eval.sh #在线推理

    --data_path参数填写数据集路径，需写到数据集的一级目录。

    模型训练脚本参数说明如下。

    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
--native_amp                        //使用torch amp进行混合精度训练，如不配置默认使用apex
--half                              //eval执行脚本中参数，如配置默认使用混合精度计算

    训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

训练结果展示

表 2 yolov5m训练结果展示表

NAME mAP0.5 FPS AMP_Type Torch_Version
1p-竞品A - 181 O1 1.8
8p-竞品A 64.1 1264 O1 1.8
1p-NPU - 176.3 O1 1.8
8p-NPU 63.6 1432.2 O1 1.8

表 3 yolov5m高精度8p训练结果展示表

NAME mAP0.5 FPS AMP_Type Torch_Version
8p-竞品A 64.1 1264 O1 1.8
8p-NPU 64.5 1432.2 O1 1.8

表 4 yolov5s训练结果展示表

NAME mAP0.5~0.95 FPS AMP_Type Torch_Version Architecture Device_Type
1p-NPU - 265 O1 1.8 -
8p-NPU 35.4 2044.5 O1 1.8 Arm -
1p-NPU - 317 O1 1.8 非Arm -
8p-NPU - 1163.6 O1 1.8 非Arm -
8p-NPU 35.5 1507.7 FP32 1.8 Arm 910B1
8p-NPU 35.5 1669.5 HF32 1.11 Arm 910B3

版本说明

公网地址说明

代码涉及公网地址参考 public_address_statement.md

变更

2023.02.16：更新readme，重新发布。

2021.07.08：首次发布。

FAQ

  1. 训练过程中若遇到该问题wandb: ERROR api_key not configured (no-tty). call wandb.login(key=[your_api_key])，在不能获取到key的情况下，请卸载三方库wandb，再进行训练。

YOLOv5-离线推理指导

概述

YOLO系列网络模型是最为经典的one-stage算法，也是目前工业领域使用最多的目标检测网络，YOLOv5网络模型是YOLO系列的最新版本，在继承了原有YOLO网络模型优点的基础上，具有更优的检测精度和更快的推理速度。
YOLOv5版本不断迭代更新，不同版本的模型结构有所差异。比如Conv模块各版本差异示例如下:

yolov5版本 Conv模块激活函数
6.0 SiLU

YOLOv5每个版本主要有4个开源模型，分别为YOLOv5s、YOLOv5m、YOLOv5l 和 YOLOv5x，四个模型的网络结构基本一致，只是其中的模块数量与卷积核个数不一致。YOLOv5s模型最小，其它的模型都在此基础上对网络进行加深与加宽。

  • 版本说明（目前已适配以下版本）：
    url=https://github.com/ultralytics/yolov5
tag=v6.0
model_name=yolov5

推理环境准备

  • 该模型需要以下插件与驱动
    表 1 版本配套表
配套 版本 环境准备指导
固件与驱动 22.0.4 Pytorch框架推理环境准备
CANN 6.0.0 推理应用开发学习文档
Python 3.7.5 -
PyTorch 1.11.0 -
说明：Atlas 300I Duo 推理卡请以CANN版本选择实际固件与驱动版本。 \ \

快速上手

安装依赖

git clone https://gitee.com/ascend/msadvisor.git
cd msadvisor/auto-optimizer
python3 -m pip install --upgrade pip
python3 -m pip install wheel
python3 -m pip install .
cd ..
pip3 install -r onnx_requirements.txt

准备数据集

  • 该模型使用 coco2017 val数据集 进行精度评估，在yolov5源码根目录下新建coco文件夹，数据集放到coco里，文件结构如下：
    coco
├── val2017
   ├── 00000000139.jpg
   ├── 00000000285.jpg
   ……
   └── 00000581781.jpg
├── instances_val2017.json
└── val2017.txt
    val2017.txt中保存.jpg的相对路径，请自行生成该txt文件，文件内容实例如下：
    ./val2017/00000000139.jpg
./val2017/00000000285.jpg
……
./val2017/00000581781.jpg

模型推理

模型推理提供后处理脚本方式：
直接用官网export.py导出onnx模型，模型结构和官网一致，推理流程也和官方一致，NMS后处理采用脚本实现。

1 模型转换

将模型权重文件.pth转换为.onnx文件，再使用ATC工具将.onnx文件转为离线推理模型.om文件。

  1. 获取权重文件
    使用训练保存的模型文件yolov5.pt

  2. 导出ONNX模型
    运行bash pth2onnx.sh导出动态shape的ONNX模型，模型参数在model.yaml中设置。

    bash pth2onnx.sh --tag 6.0 --model yolov5 --nms_mode nms_script  # nms_script
    • 命令参数说明：
      • --tag：模型版本，可选[6.0], 默认6.0。
      • --model：模型文件名
      • --nms_mode：模型推理方式，可选[nms_script]

  3. 使用ATC工具将ONNX模型转OM模型
    3.1 配置环境变量 

    source /usr/local/Ascend/ascend-toolkit/set_env.sh

    说明：
    该脚本中环境变量仅供参考，请以实际安装环境配置环境变量。详细介绍请参见《CANN 开发辅助工具指南 (推理)》。

    3.2 执行命令查看芯片名称（${soc_version}）

    npu-smi info
# 该设备芯片名为Ascend910A （自行替换）
回显如下：
+-------------------+-----------------+------------------------------------------------------+
| NPU     Name      | Health          | Power(W)     Temp(C)           Hugepages-Usage(page) |
| Chip    Device    | Bus-Id          | AICore(%)    Memory-Usage(MB)                        |
+===================+=================+======================================================+
| 0       910A     | OK              | 15.8         42                0    / 0              |
| 0       0         | 0000:82:00.0    | 0            1074 / 32768                            |
+===================+=================+======================================================+
| 1       910A     | OK              | 15.4         43                0    / 0              |
| 0       1         | 0000:89:00.0    | 0            1070 / 32768                            |
+===================+=================+======================================================+

    3.3 导出OM模型
    运行onnx2om.sh导出OM模型。

    bash onnx2om.sh --tag 6.0 --model yolov5 --nms_mode nms_script --bs 4 --soc Ascend910A  # nms_script
    • atc命令参数说明（参数见onnx2om.sh）：
      • --model：ONNX模型文件
      • --output：输出的OM模型
      • --framework：5代表ONNX模型
      • --input_format：输入数据的格式
      • --input_shape：输入数据的shape
      • --soc_version：处理器型号
      • --log：日志级别
      • --compression_optimize_conf：模型量化配置，使用说明参考该链接
      • --enable_small_channel：输入端aipp算子配置，使用说明参考该链接
      • --insert_op_conf：输入端aipp算子配置，使用说明参考该链接

2 开始推理验证

  1. 安装ais-infer推理工具
    ais-infer工具获取及使用方式请点击查看 [ais_infer 推理工具使用文档]
* 如果有多卡推理的需求，请跳过该步骤，om_val.py该脚本不支持多卡推理

  1. 执行推理 & 精度验证
    运行om_val.py推理OM模型，模型参数在model.yaml中设置，结果默认保存在predictions.json。

    python3 om_val.py --tag 6.0 --model=yolov5_bs4.om --nms_mode nms_script --batch_size=4  # nms_script
    • 命令参数说明：
      • --tag：模型版本，可选[6.0]。
      • --model：模型文件名。
      • --nms_mode：模型推理方式，可选[nms_script]。
      • --batch_size: 模型推理batch大小，默认4。
      • --cfg_file：模型推理参数设置，默认读取文件model.yaml。

  2. 性能验证
    可使用ais_infer推理工具的纯推理模式验证不同batch_size的OM模型的性能，参考命令如下：

    python3 -m ais_bench --model=yolov5_bs4.om --loop=1000 --batchsize=4  # nms_script

模型推理性能&精度

调用ACL接口推理计算，yolov5m_6.0性能&精度参考下列数据。

| 模型tag |   芯片型号   | 最优Batch |    数据集    |         阈值       | 精度 (mAP@0.5) | OM模型性能 (fps) |
|:------:|:----------:|:-------------:|:------------------:|:------------:|:------------:|:--------------:|
| 6.0   | Ascend910A |     4      | coco val2017 |  conf=0.0005 iou=0.5  |     64.2     |   828.48    |

FAQ

1、如遇到问题：
<urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:777)> 解决方案： import ssl ssl._create_default_https_context = ssl._create_unverified_context

使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》
该页面对您有帮助吗？
我要评分