Update README.md

aebcc5d4 · acqpriwny1 · 0d79aeb5 · aebcc5d4
Commit aebcc5d4 authored Jul 22, 2023 by acqpriwny1
Hide whitespace changes
Inline Side-by-side

Showing with 116 additions and 76 deletions

README.md README.md +116 -76

No files found.
--- a/README.md
+++ b/README.md
-# 模型名称(此处需修改，用英文全称与简写)
+# YOLOV5测试
-## 模型介绍
-此处填写模型介绍。
+## 1.模型介绍
-## 模型结构
-此处简要介绍模型结构。
+[YOLO](https://arxiv.org/abs/1506.02640)（You Only Look Once）是一种流行的对象检测和图像分割模型，由华盛顿大学的Joseph Redmon和Ali Farhadi开发。YOLO 于 2015 年推出，因其高速和准确性而迅速普及。
-## 数据集
-此处介绍使用的数据集
+- [YOLOv2](https://arxiv.org/abs/1612.08242)于2016年发布，通过合并批处理规范化、锚框和维度集群改进了原始模型。
+- [YOLOv3](https://pjreddie.com/media/files/papers/YOLOv3.pdf) 于 2018 年推出，使用更高效的主干网络、多个锚点和空间金字塔池化进一步增强了模型的性能。
-如添加了自己写的数据集处理脚本，在此处说明脚本的使用方法：
+- [YOLOv4](https://arxiv.org/abs/2004.10934) 于 2020 年发布，引入了 Mosaic 数据增强、新的无锚检测头和新的损失函数等创新。
+- [YOLOv5](https://github.com/ultralytics/yolov5) 进一步提升了模型的性能，并增加了超参数优化、集成实验跟踪和自动导出为流行导出格式等新功能。
-    python xxx.py \
-        --args0 xxx \
+## 2.模型结构
-        --args1 xxx  \
-        ...
+YOLOv5是一种基于深度学习的目标检测算法，它的模型结构主要包括backbone、neck、head和loss四个部分。其中，backbone是用于提取特征的主干网络，neck是用于融合不同层次的特征，head是用于预测目标的检测头，loss是用于计算损失的函数。YOLOv5的模型结构相比YOLOv4有所改进，主要体现在backbone和head上。
-## 训练及推理
+更具体地说，YOLOv5的backbone采用CSPDarknet53网络结构，其中CSP表示Cross Stage Partial Network，它可以有效地减少参数量和计算量。neck采用FPN+PAN的结构，其中FPN表示Feature Pyramid Network，PAN表示Path Aggregation Network，它们可以将不同层次的特征进行融合。head采用YOLOv3中的anchor-based检测头，并在此基础上加入了SPP结构和SAM结构，以提高检测精度。loss采用GIOU Loss作为bounding box的损失，并使用二进制交叉熵和Logits损失函数计算类概率和目标得分的损失。
+## 3.数据集
+使用COCO2017数据集，COCO2017数据集是一个用于目标检测、分割、关键点检测和图像描述的数据集，由微软公司制作收集。该数据集包含超过33万张图像，其中大约20万张图像用于训练，6万张图像用于验证，7万张图像用于测试。COCO2017数据集中的物体类别共有80个，包括人、动物、交通工具、家具等。
+COCO2017数据集中的每个物体都有一个矩形边界框和一个类别标签，同时还有一些物体的关键点标注和图像描述信息。COCO2017数据集的标注格式采用JSON文件存储，其中包含了每个物体的位置、类别、关键点等信息。
+## 4.训练
 ### 环境配置
-提供[光源](https://www.sourcefind.cn/#/service-details)拉取的训练以及推理的docker镜像：
-* 训练镜像：
+提供光源拉取的训练镜像
-* 推理镜像：
+```
+docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.10.0-centos7.6-dtk-22.10.1-py38-latest
+```
 python依赖安装：
-    pip install -r requirement.txt
+```
-### 训练与Fine-tunning
+pip3 install -r requirement.txt
-训练命令：
+```
+本地安装PyTorch1.7
+```
+    # 安装torch
+    pip install /public/software/apps/DeepLearning/whl/dtk-21.04/torch-1.8.0a0+56b43f4-cp37-cp37m-linux_x86_64.whl
+    # 安装torchvision
+    pip install /public/software/apps/DeepLearning/whl/dtk-21.04/torchvision-0.9.0a0-cp37-cp37m-linux_x86_64.whl
-    python train.py \
+```
-        --args0 xxx \
+在本地创建一个pytorch_env.sh的文件，添加环境变量:
-        --args1 xxx  \
+```
-        ...
+vi  ~/pytorch_env.sh
-Fine-tunning命令：
+export
+LD_LIBRARY_PATH=/public/software/apps/DeepLearning/PyTorch_Lib/lib:/public/software/apps/DeepLearning/PyTorch_Lib/lmdb-0.9.24-build/lib:/public/software/apps/DeepLearning/PyTorch_Lib/opencv-2.4.13.6-build/lib:/public/software/apps/DeepLearning/PyTorch_Lib/openblas-0.3.7-build/lib:$LD_LIBRARY_PATH
-    python train.py \
+# 记得以后每次登录新的节点时，一定要执行一次source ~/pytorch_env.sh命令，这关系到服务器能不能找到PyTorch
-        --args0 xxx \
+source ~/pytorch_env.sh
-        --args1 xxx  \
+```
-        ...
 ### 预训练模型
-model文件夹提供的预训练模型介绍，例如：
+预训练模型均在models文件夹内
-    Project
-    ├── model
+### 单卡训练
-    │   ├── xxx.pth #pytorch预训练模型 
-    │   ├── xxx.onnx #对应的onnx模型
+```
-    └── └── xxx.mxr #对应的migraphx离线推理模型
+export HIP_VISIBLE_DEVICES=0
-### 测试
-测试命令：
+python train.py --data data/citrus.yaml --cfg models/yolov5s.yaml  --weights weights/yolov5s.pt --epochs 150 --batch-size 4
+```
-    python test.py \
-        --args0 xxx \
+### 单节点多卡训练
-        --args1 xxx
-        ...
+```
+#以单机四卡为例子
-### 推理
+export HIP_VISIBLE_DEVICES=0,1,2,3
-推理引擎版本：
-* ONNXRuntime(DCU版本) >= x.xx.x
+python3 -m torch.distributed.run --nproc_per_node 4 train.py --batch 128 --data coco.yaml --cfg 'yolov5m.yaml' --weights '' --project 'run/train' --hyp 'data/hyps/hyp.scratch-high.yaml' --device 0,1,2,3 --epochs 1000 2>&1 | tee  yolov5m_4.log
-* Migraphx(DCU版本) >= x.x.x
+```
-#### ORT
-基于ORT的推理命令：
+其中--nproc_per_node参数代表卡的个数，--batch参数代表global batchsize的大小
-    python ORT_infer.py \
-        --args0 xxx \
+## 推理测试
-        --args1 xxx \
+```
-        ...
+python detect.py --source 0  # webcam
-#### Migraphx
+                          file.jpg  # image 
-基于Migraphx的推理命令：
+                          file.mp4  # video
+                          path/  # directory
-    python Migraphx_infer.py \
+                          path/*.jpg  # glob
-        --args0 xxx \
+                          'https://youtu.be/NUsoVlDFqZg'  # YouTube
-        --args1 xxx \
+                          'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream
-        ...
+```
-## 性能和准确率数据
+detect.py 在各种来源上运行 YOLOv5 推论，从最新的 YOLOv5 版本中自动下载模型，并将结果保存到 runs/detect 中。推理源示例如下
-测试数据：[test data](链接)，使用的加速卡:xxx。
+```
+python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/
-根据模型情况填写表格：
+Image(filename='runs/detect/exp/zidane.jpg', width=600)
-| xxx | xxx | xxx | xxx | xxx |
+```
-| :------: | :------: | :------: | :------: |:------: |
-| xxx | xxx | xxx | xxx | xxx  |
+将训练好的pt文件导入weight参数中即可，推理代码如下：
-| xxx | xx | xxx | xxx | xxx |
+```
+python3 val.py --data data/coco-v5.yaml --weights runs/train/exp12/weights/best.pt --device 0
+```
+## 准确率数据
+|  模型   | size（pixels) | map0.5:0.95 | map0.5 |
+| :-----: | :------: | :---------: | :----: |
+| yolov5n |   640   |    27.9     |  46.8  |
+| yolov5s |   640   |    37.2     |  57.1  |
+| yolov5m |   640   |    44.3     |  64.1  |
+| yolov5l |   640   |     48      |  67.3  |
+| yolov5x |   640   |    49.6     |  68.6  |
 ## 源码仓库及问题反馈
-* 仓库的https链接
+https://developer.hpccube.com/codes/acqpriwny1/yolov-5-pytorch/
 ## 参考
-* 链接1
-* 链接2
+[GitHub - ultralytics/yolov5 at v6.1]https://github.com/ultralytics/yolov5/releases/tag/v6.1)
-* ......