文档
在线开发
下载
ModelZoo 主页
主页 大模型 模型库 工具库 权重库 ModelShow DeepSeek专区 HOT文档中心 论坛交流
模型库
YOLOv5-PyTorch
YOLOv5-PyTorch

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

准备训练环境

准备环境

  • 推荐使用最新的版本准备训练环境。

    表 1 版本配套表

    软件 版本 安装指南
    Driver AscendHDK 25.0.RC1.1 《驱动固件安装指南 》
    Firmware AscendHDK 25.0.RC1.1
    CANN CANN 8.1.RC1 《CANN 软件安装指南 》
    PyTorch 2.1.0 《Ascend Extension for PyTorch 配置与安装 》
    torch_npu release v7.0.0-pytorch2.1.0

  • 三方库依赖如下表所示。

    表 2 三方库依赖表

    Torch_Version 三方库依赖版本
    PyTorch 2.1 pillow==9.1.0

  • 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 2.1_requirements.txt  # PyTorch2.1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

编译安装过程中会卸载已安装的torch，编译完成后，请重新安装torch_npu

  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=/root/miniconda3/envs/yolov5/bin/python3.8 -D PYTHON3_INCLUDE_DIR=/root/miniconda3/envs/yolov5/include/python3.8 -D PYTHON3_LIBRARY=/root/miniconda3/envs/yolov5/lib/libpython3.8.so -D PYTHON3_NUMPY_INCLUDE_DIRS=/root/miniconda3/envs/yolov5/lib/python3.8/site-packages/numpy/core/include -D   PYTHON3_PACKAGES_PATH=/root/miniconda3/envs/yolov5/lib/python3.8/site-packages -D PYTHON3_DEFAULT_EXECUTABLE=/root/miniconda3/envs/yolov5/bin/python3.8 ..
make -j$nproc
make install

注：

上述cmake命令中的路径，请自行替换为实际conda虚拟环境或者系统环境的Python路径

编译安装过程中会刷新numpy的版本，该版本的numpy无法运行本项目！

请在编译安装OpenCV后，将numpy刷回1.23.0版本

pip install numpy==1.23.0

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：
--conda_name                        //conda名，不传默认没有，传了进入conda执行
--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
--freeze                            //支持冻结权重训练

    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 3 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 - 283.3 O1 1.11
8p-NPU 63.6 2208.5 O1 1.11
1p-NPU - 281 O1 2.1
8p-NPU 63.6 2106.6 O1 2.1

表 4 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 2208.5 O1 1.11
8p-NPU 64.5 2106.6 O1 2.1

表 5 yolov5s训练结果展示表

NAME mAP0.5~0.95 FPS AMP_Type Torch_Version Architecture Device_Type
1p-NPU 35.5 419.7 FP16 1.11 Arm Atlas 800T A2
8p-NPU 35.5 3082.4 FP16 1.11 Arm Atlas 800T A2
1p-NPU 35.5 428.5 FP16 2.1 Arm Atlas 800T A2
8p-NPU 35.5 3006.9 FP16 2.1 Arm Atlas 800T A2
1p-NPU 35.5 221.6 FP32 1.11 Arm Atlas 800T A2
8p-NPU 35.5 1724.8 FP32 1.11 Arm Atlas 800T A2
1p-NPU 35.5 224 FP32 2.1 Arm Atlas 800T A2
8p-NPU 35.5 1742.3 FP32 2.1 Arm Atlas 800T A2
1p-NPU 35.5 221.3 HF32 1.11 Arm Atlas 800T A2
8p-NPU 35.5 1741.7 HF32 1.11 Arm Atlas 800T A2
1p-NPU 35.5 222.5 HF32 2.1 Arm Atlas 800T A2
8p-NPU 35.5 1716.6 HF32 2.1 Arm Atlas 800T A2

说明：上表为历史数据，仅供参考。2025年5月10日更新的性能数据如下：

NAME 精度类型 FPS
yolov5m 6.0-8p-竞品 FP16 1264
yolov5m 6.0-8p-Atlas 900 A2 PoDc FP16 2295.1
yolov5s 6.0-8p-竞品 FP16 3006.9
yolov5s 6.0-8p-Atlas 900 A2 PoDc FP16 3097.8

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。
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》
我们使用cookie来确保您的高速浏览体验。继续浏览本站，即表示您同意我们使用cookie。查看详情