使用YOLOX訓練自己的資料集
- 前言
- 一、安裝Anaconda
- 二、安裝YOLOX
- 1.筆者掉入的坑
- 2.開始安裝
- 3.測驗YOLOX
- 三、訓練COCO128
- 四、訓練自己的資料集
前言
前面的文章，筆者在系統環境下使用OpenCV對YOLOX模型進行推理；在本節，我們需要安裝虛擬環境使用YOLOX訓練自己的資料集，
一、安裝Anaconda
去Anaconda官網下載最新的版本
如果查詢到版本號，也可使用命令列：
wget https://repo.anaconda.com/archive/Anaconda3-2021.11-Linux-x86_64.sh
然后執行安裝：
sudo bash Anaconda3-2021.11-Linux-x86_64.sh
安裝完成后驗證
如果沒有出現則需要添加環境變數：
sudo vim ~/.bashrc
在最后添加：
export PATH=$PATH:/home/zrd/anaconda3/bin
路徑需要換成自己的，然后執行
source ~/.bashrc
二、安裝YOLOX
1.筆者掉入的坑
在YOLOX的系統推理環境中，筆者安裝了最新的CUDA11.5和對應的cuDNN版本，順利的使用了GPU推理，所以在conda虛擬環境中，筆者也準備直接使用系統的環境的CUDA，然而事與愿違，無法呼叫CUDA進行GPU訓練，
查詢后發現目前pytorch的最高版本是1.10，而它能支持的CUDA最高版本是11.3，詳見Pytorch官網，這樣的話我們就只能在conda環境中重新安裝CUDA10.2或者CUDA11.3，所以安裝pytorch訓練環境的準則是，pytorch和CUDA以及cuDNN版本需要匹配，感謝好友陳總對此的指導，
2.開始安裝
一，創建&進入虛擬環境
conda create -n yolox python=3.8
conda activate yolox
二，安裝pytorch1.10+cuda11.3(如果系統環境支持則不需要此步驟)
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
三，按照官網安裝YOLOX
YOLOX-github
Step1. Install YOLOX.
git clone git@github.com:Megvii-BaseDetection/YOLOX.git
cd YOLOX
pip3 install -U pip && pip3 install -r requirements.txt
pip3 install -v -e . # or python3 setup.py develop
Step2. Install pycocotools.
pip3 install cython; pip3 install 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'
3.測驗YOLOX
下載yolox_s.pth權重檔案，放到datasets目錄下：
使用cpu推理：
python tools/demo.py image -n yolox-s -c datasets/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device cpu
使用gpu推理：
python tools/demo.py image -n yolox-s -c datasets/yolox_s.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu
結果都保存在YOLOX_outputs目錄下：
三、訓練COCO128
提示：在訓練自己的資料集之前可以先使用官方的小資料集比如coco128測驗一下，看看是否環境有錯，如果coco128可以訓練的話再更換為自己的資料集，這樣如果發生錯誤能更好的定位，
關于coco128：
coco128是coco資料集的前128張圖片，一共有71個類而不是80，主要用來測驗，
在官方Train Custom Data中給出了coco128的下載地址，和訓練方法：
先不要修改任何檔案，只把coco128下載到datasets目錄即可：
使用exps/example/custom/yolox_s.py腳本訓練，這個腳本就是為coco128資料集準備的，后面訓練自己的資料集時可以據此修改：
訓練腳本：
python tools/train.py -f exps/example/custom/yolox_s.py -d 1 -b 8 --fp16 -o -c /path/to/yolox_s.pth
-d 1：number of gpu devices
-b 8：batch size, the recommended number for -b is num-gpu * 8
訓練中：
訓練完成：
訓練完成后會將權重保存在YOLOX_outputs/yolox_s/目錄下，選擇best_ckpt.pth進行推理測驗：
python tools/demo.py image -f exps/example/custom/yolox_s.py -c YOLOX_outputs/yolox_s/best_ckpt.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu
去YOLOX_outputs/yolox_s/vis_res目錄下查看推理圖片，發現效果很差，沒有關系，因為coco128資料集太小了，
四、訓練自己的資料集
建議仿造coco128做自己的資料集，包括目錄結構（annotations train2017 val2017）和json檔案名（instances_train2017.json instances_val2017.json）等，這樣就不用修改組態檔的相關內容，
把自己的資料集同樣放到datasets目錄下，然后修改兩處配置，
一，yolox/data/datasets/coco_classes.py，把類名修改成自己的，
二，exps/example/custom/yolox_s_zrd.py，仿造yolox_s.py建立一個自己的訓練檔案
開始訓練：
python tools/train.py -f exps/example/custom/yolox_s_zrd.py -d 1 -b 8 --fp16 -o -c datasets/yolox_s.pth
訓練中：
訓練完成：
使用自己訓練的模型推理：
python tools/demo.py image -f exps/example/custom/yolox_s_zrd.py -c YOLOX_outputs/yolox_s_zrd/best_ckpt.pth --path datasets/zrodo_coco/val2017/0020.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu
不戴口罩還抽煙的強哥
至此，YOLOX推理系列打完收工
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/376928.html
標籤：AI