前端和网站部署做网站的,终身免费vps,什么叫网站app,卖书网站开发的背景环境搭建
gpu按自己情况安装 nvidia-smi 查看自己的版本
CUDA和cudnn 按自己的安装#xff0c;我的驱动551.76#xff0c;注意不要用最新的#xff0c;官网只要求驱动是大于等于#xff0c;可以用低版本的cuda#xff0c;我安装的是CUDA 11.1
cuda下载后#xff0c…环境搭建
gpu按自己情况安装 nvidia-smi 查看自己的版本
CUDA和cudnn 按自己的安装我的驱动551.76注意不要用最新的官网只要求驱动是大于等于可以用低版本的cuda我安装的是CUDA 11.1
cuda下载后下载cudnn将解压的cuDNN压缩包内的三个文件夹复制到CUDA安装目录下 bin lib include
执行nvcc -V验证
C:\Users\Administratornvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2020 NVIDIA Corporation
Built on Tue_Sep_15_19:12:04_Pacific_Daylight_Time_2020
Cuda compilation tools, release 11.1, V11.1.74
Build cuda_11.1.relgpu_drvr455TC455_06.29069683_0安装torch conda install pytorch torchvision torchaudio cudatoolkit11.1 -c pytorch-lts -c conda-forge
cd到代码目录下E:\code\YOLOX-0.3.0 执行 pip3 install -v -e . 安装 最后pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple 如果有版本问题卸载重新调整 比如重新安装 pip install protobuf3.20.1 pip install numpy1.19.5 pip install matplotlib3.3.4 scikit-image0.18.3 等
通过Labelimg标注数据 执行voc2txt.py 转换标注的数据为coco
if __name__ __main__:# 定义类别要与yolox/data/datasets/coco_classes.py一致COCO_CLASSES (person)new_labeled_img_dir E:/data/1/table # 新标注的文件train_dir E:/code/YOLOX-0.3.0/datasets/coco/train2017 # 目标文件夹trainval_dir E:/code/YOLOX-0.3.0/datasets/coco/val2017 # 目标文件夹valval_percent 0.1 # train val 比例cache_dir E:/data/yolox/cache # 缓存图片的文件路径一定要删除被坑一个星期# 按比例随机拆分到到目标目录会同时移动.jpg和.xml文件splitLabeled(val_percent, new_labeled_img_dir, train_dir, val_dir)#回收旧数据,提高新数据占比最新100个数据不参与回收reduceData(train_dir,val_dir,max_data500000,val_percentval_percent,recycle_dirE:/data/yolox/recycle)# 生成json# trainjson_file E:/code/YOLOX-0.3.0/datasets/coco/annotations/instances_train2017.jsonimage_id 202200000parseXmlFiles(train_dir, json_file, image_id, COCO_CLASSES)# evaljson_file E:/code/YOLOX-0.3.0/datasets/coco/annotations/instances_val2017.jsonimage_id 0parseXmlFiles(val_dir, json_file, image_id, COCO_CLASSES)# 删除 cache 文件delImgCache(cache_dir)训练
修改train.py ckpt、batchsize 修改YOLOX-0.3.0\exps\example\custom\yolox_s.py的路径和num_classes 修改YOLOX-0.3.0\yolox\data\datasets\coco_classes.py
E:\code\YOLOX-0.3.0\下执行train.py
测试模型
YOLOX-0.3.0\tools\demo.py 用demo.py 测试图片assets/an.png为测试的图片last_epoch_ckpt.pth为自己训练的模型
参数 image -f E:/code/YOLOX-0.3.0/exps/example/custom/yolox_s.py -c E:\code\YOLOX-0.3.0\YOLOX_outputs\yolox_s\last_epoch_ckpt.pth --path assets/an.png --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu 测试自己训练的模型
将自己训练的模型导出onnx
参数–output-name yolox_s.onnx -f E:/code/YOLOX-0.3.0/exps/example/custom/yolox_s.py -c E:\code\YOLOX-0.3.0\YOLOX_outputs\yolox_s\last_epoch_ckpt.pth 在YOLOX-0.3.0目录下执行 YOLOX-0.3.0\tools\export_onnx.py
生成yolox_s.onnx
