2021第三届华为云人工智能大赛无人车挑战杯目标检测源码+学习说明（复赛第五）.zip

# YOLOv5-Pytorch for ModelArts 本仓库是基于[ultralytics/yolov5](https://github.com/ultralytics/yolov5)实现的YOLOv5。你可以方便地在自己的数据集上训练模型，并将模型部署为ModelArts服务。 ## 1. 环境配置 * Windows * python 3.7 * torch>=1.7.0 运行如下命令安装所有依赖： ```bash pip install -r requirements.txt ``` ## 2. 准备工作 ### 2.1 数据集 以华为云人工智能大赛数据集为例，首先下载[数据集](https://marketplace.huaweicloud.com/markets/aihub/usercenter/?activeTab=MyDownload&id=b3879ae9-dc2a-4b8c-bfaf-428ecf2f1f9e#dataset)到OBS中，然后使用obsutil将数据集下载至本地。或者可以从百度云下载[Speedstar数据集（验证码：yolo）](https://pan.baidu.com/s/1rEd5VljAcuTPE7E9QOGsjA)。 下载完成后，将数据集放置于`data/`文件夹下，并修改文件夹名称为VOC标准（`Annotations`存放`.xml`，`JPEGImages`存放`.jpg`），至此，你的目录结构应该为： ``` yolov5 ├───data │ └───Your_dataset │ ├───Annotations │ │ ├──1.xml │ │ └──... │ ├───JPEGImages │ │ ├──1.jpg │ │ └──... ``` 接着，进行如下步骤，完成数据集的配置： * 更新`data/dataset.yaml`配置文件中的`"path"`为数据集相对于train.py的路径，更新 `"nc"`，`"names"` 为数据集中类别总数以及类别名称。你也可以修改`"split_percent"`来修改训练集和测试集的比例。 * 划分数据集为测试集和训练集：运行`data/scripts/01_gen_img_index_file.py`，之后你会得到按照`"split_percent"`划分的数据集和测试集列表文件`data/Your_dataset/train.txt(test.txt)`。 * 将 `VOC - *.xml` 格式标签转换为 `YOLO - *.txt` 格式 (img x y w h)：运行 `data/scripts/02_voc_to_yolo.py`，生成的YOLO格式标签文件保存在`data/Your_dataset/YOLOAnnos/`下。 * 为每个类别生成标签文件：运行 `data/scripts/03_gen_cls_rec.py`，生成的类别标签保存于 `your_dataset/ClassAnnos/` 中，便于计算APs时读取。 另外，若需要`COCO`格式的数据集，可以运行`voc_to_coco.py`。 ### 2.2 下载权重文件 下载最新的预训练权重文件： https://github.com/ultralytics/yolov5/releases 或者运行如下命令下载模型 ``` $ bash path/to/download_weights.sh ``` 将权重放置于`train.py`同级目录下。 ## 3. 训练 运行如下指令开始训练: ``` python -u train.py ``` 查看可选参数： ``` python train.py -h ``` 在训练过程中，模型的副本将会默认保存在`runs/train/exp/weights/`下，支持断点继续训练： ``` python -u train.py --weights your_backup.pth --resume ``` ## 4. 模型评估 ### 4.1 评估设置 训练完成后，将`best.pt`复制到`modelarts/model/weights/`文件夹下，并修改`yolov5_config.py`文件中的`"WEIGHT"`，`"IMG_SIZE"`和 `"EVAL_DATASET_PATH"`。 ### 4.2 计算mAP 运行： ``` cd ./modelarts/model/ python evaluate.py ``` 运行结束后会输出模型对于测试集的`[email protected] / [email protected]:0.95`。 ### 4.3 可视化预测效果 运行`predict.py`，可以一张一张查看预测效果。  ## 5. ModelArts部署 本地运行`customize_service.py`，如果可以正确输出`test.jpg`中的边框，说明配置正确。接着将`modelarts`文件夹整体上传至OBS中，并选择从该文件夹构建模型。 ## 6. 导出ONNX模型 ### 6.1 安装依赖 安装依赖，为了加快下载速度，可以使用指定国内源： ``` pip install onnx>=1.8.0 onnxruntime>=1.5.2 onnxoptimizer>=0.1.2 onnx-simplifier>=0.3.6 -i https://pypi.tuna.tsinghua.edu.cn/simple ``` ### 6.2 导出 运行： ``` python export.py --weights path\to\weight.pt --img 1024 --batch 1 --dynamic --simplify ``` 其中： ``` --weigths # pt文件路径，ONNX模型输出路径 --img 1024 # 模型支持的图片尺寸 --dynamic # 支持批处理 --simplify # 自动简化模型 ``` ### 6.3 查看模型 建议安装 [Netron Viewer](https://github.com/lutzroeder/netron/releases/) 可视化模型。  ## 7 迁移为MindSpore模型 ### 7.1 安装依赖 ``` pip install mindspore==1.3.0 mindinsight==1.3.0 ``` 由于模型转换程序`mindconverter`一般只支持`linux`系统，若要在`windows`下使用，需要进行如下两个操作： * 设置环境变量 `HOME`：可以在`path\to\mindinsight\mindconverter\__init__.py`文件中添加两行： ``` import os os.environ['HOME'] = r'C:\Users\youname' ``` * 如果出现错误：`No module named 'fcntl'`，是因为 `fcntl` 是 `linux` 环境下特有的库，可以进入相关文件，将涉及`fcntl`的语句注释掉。 安装完成后可以运行`mindconverter -h`检查是否安装成功。 ### 7.2 模型迁移 运行： ``` python .\onnx2mindspore.py --weights path\to\model.onnx ``` 可选参数`--weights`为待转换ONNX模型路径，`--img_size`为图片尺寸（默认为640），`--output`为输出路径（默认为原模型路径）。 转换完成后，输出目录下生成如下文件： - 模型定义脚本（后缀为`.py`） - 权重ckpt文件（后缀为`.ckpt`） - 迁移前后权重映射（后缀为`.json`） - 转换报告（后缀为`.txt`） ### 7.3 模型训练 `mindspore\`文件夹下保存了迁移得到的相关文件，可以从迁移模型开始继续训练，训练配置存放与 `opt.yaml` 文件中。注意，训练要求安装`mindspore_gpu-1.3.0`版本。 运行： ``` python train_ms.py --option ./opt.yaml ``` ### 7.4 模型测试 与第4节相同，本部分也提供了两种评估手段：计算`mAP`与可视化。首先将`.ckpt`权重文件放置于`weigths\`文件夹下，修改`yolov5_config.py`中的配置。 接着运行： ``` python predict.py # 可视化 # 或者 python evaluate.py # mAP ``` ### 7.5 部署 本地运行`customize_service.py`，任意指定一张图片，如果可以正确输出边框，说明配置正确。接着将`MindSpore`文件夹整体上传至OBS中，并选择从该文件夹构建模型。