iou画 yolov3_yolov3环境配置训练及优化
科普
gcc/g++: - GNU project C and C++ compiler.When you compile C++ programs, you should invoke GCC as g++ instead.
Cuda:GPU Accelerated Computing with C and C++
一、Ubuntu+cuda+cudnn+opencv+darknet/yolov3环境配置
1.NVIDIA显卡驱动安装
首先查看系统是否已经安装NVIDIA驱动,查看方式输入nvidia-smi无输出或系统信息没有显卡信息。
安装方式有ppa或官网下载驱动安装,再次之前可查看系统推荐驱动:
ubuntu-drivers devices
也可以在官网查看:https://www.geforce.cn/drivers
安装成功:nvidia-smi显示显卡信息,或系统信息有显卡graphics这栏,如下:
2.gcc降版本
3.安装cuda
查看显卡支持cuda版本
windows:(参考:https://blog.csdn.net/wangyjfrecky/article/details/55100963)
控制面板->搜索NVIDIA->双击进入NVIDIA控制面板:
点击帮助->系统信息->组件
UBUNTU:参考(http://www.voidcn.com/article/p-ujjgjaae-xp.html)根据显卡型号选择
我选择cuda9.0 cuda9.0【点这下载】
根据自己的系统选择,但必须选择runfile,因为之前已经安装过驱动,其他包会重复安装。可能导致循环登录。安装参考官网命令:
首先是协议,按enter到100%,是否安装驱动选择no,其他默认或自定。
InstallNVIDIA Accelerated GraphicsDriver for Linux-x86_64 384.81?
此处选择no
此处需要安装四个打包文件patch,命令同上,安装后在根目录/usr/local下会有cuda-9.0和cuda两个文件夹。
若系统自带驱动符合要求,可以直接跳过驱动安装:
配置环境变量:
打开~/.bashrc文件,在末尾加入:
export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
***此处需要测试nvcc命令,若提示没有安装并建议安装nvidia-cuda-toolkit,可以重启电脑再试,run包安装时有选择cuda-toolkit安装,若重复安装,nvidia-cuda-toolkit自带415驱动,可能导致循环登录。正常安装后,nvcc输出:
具体可参考这篇博客:https://blog.csdn.net/jiangyanting2011/article/details/78873113
3.cudnn安装
cudnn安装比较简单,需注意和cuda版本匹配【下载地址】
注册登录后下载
4.opencv NVIDIA cuda版本编译安装
cuda9.0支持opencv3.4.0及之前的版本,opencv官网下载opencv,我选择3.4.0,
下载解压后进入目录 cd opencv-3.4.0
安装cmake 等一系列依赖包
$ sudo apt-get install build-essential
$ sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
$ sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev # 处理图像所需的包
$ sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev liblapacke-dev
$ sudo apt-get install libxvidcore-dev libx264-dev # 处理视频所需的包
$ sudo apt-get install libatlas-base-dev gfortran # 优化opencv功能
$ sudo apt-get install ffmpeg
创建新文件夹来编译,否则会报错 ,进入目录
sudo mkdir build
cd build
编译 (无cuda版本可按网上教程来,此处为cuda版本)
$ cmake -D CMAKE_BUILD_TYPE=RELEASE \
-D CMAKE_INSTALL_PREFIX=/usr/local \
-D OPENCV_EXTRA_MODULES_PATH=~/opencv_contrib-3.4.0/modules \#若出错或无可去掉
-D PYTHON_EXCUTABLE=/usr/bin/python3\ #根据自己的Python版本确定,默认则安装到2.7版本
-D WITH_CUDA=ON \ #使用CUDA
-D WITH_TBB=ON \
-D BUILD_NEW_PYTHON_SUPPORT=ON \
-D WITH_V4L=ON \
-D WITH_GTK=ON \ #不加ubuntu cmake可能会报错
-D WITH_OPENGL=ON \
-D WITH_CUBLAS=ON \
-D DCUDA_NVCC_FLAGS="-D_FORCE_INLINES" \
-D CUDA_ARCH_BIN="6.1" \ # [GPU计算能力](https://developer.nvidia.com/cuda-gpus)
-D CUDA_ARCH_PTX="" \ #线程并行计算`
-D BUILD_EXAMPLES=ON \
-D CUDA_GENERATION=Pascal .. #自己显卡架构
完成后lscpu 查看电脑CPU核数
我的总共为4,接下来:
sudo make -j4
完成后安装
sudo make install
测试,无报错则安装成功
xiaose@lenovo:~$ python3
Python 3.6.7 (default, Oct 22 2018, 11:32:17)
[GCC 8.2.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import cv2
>>>
提示找不到cv2模块,安装
sudo apt-get install python3-opencv
重新编译报错解决:删除build同级目录下cache文件
5.darknet/yolov3 编译
YOLOv3官网【下载】
打开Makefile,更改参数,根据自己环境修改参数
GPU=1
CUDNN=1
OPENCV=1
OPENMP=0
DEBUG=0
由于使用Pascal架构,需要在架构上加-gencode arch=compute_61,code=[sm_61,compute_61]
ARCH= -gencode arch=compute_30,code=sm_30 \
-gencode arch=compute_35,code=sm_35 \
-gencode arch=compute_50,code=[sm_50,compute_50] \
-gencode arch=compute_52,code=[sm_52,compute_52] \
-gencode arch=compute_61,code=[sm_61,compute_61]
修改nvcc路径,根据自己修改
NVCC=/usr/local/cuda-9.0/bin/nvcc
COMMON+,LDFLAGS+路径可为默认cuda或改为cuda-9.0
ifeq ($(GPU), 1)
COMMON+= -DGPU -I/usr/local/cuda-9.0/include/
CFLAGS+= -DGPU
LDFLAGS+= -L/usr/local/cuda-9.0/lib64 -lcuda -lcudart -lcublas -lcurand
endif
修改完成后保存,执行
sudo make
若更改参数,重新编译 make clean 后make
测试,darknet目录下 ./darknet出现下图,编译成功
$ ./darknet
usage: ./darknet
二、训练技巧、问题及解决办法:
1.xml标注文件转txt
可参考darknet源码scripts/voc_labels.py文件
2.更改测试label,box线条粗细及标签大小
image.c文件
3.训练图片集路径问题
原作者是将txt文件生成训练集路径
实测:将目录下图像生训练集路径文件train_image_path.txt,并将txt文件放到图片目录下一一对应
4. .cfg文件修改
batch=64
subdivisions=16
batch,subdivisions根据自己显存大小修改,并且batch/subdivisions最好为自己GPU数量的整数倍
learning_rate=0.001
burn_in=1000
多GPU训练时:learning_rate=0.001/gpus burn_in=1000*gpus 对于YOLO层
[convolutional]
size=1
stride=1
pad=1
filters=42
activation=linear
[yolo]
mask = 0,1,2
anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
classes=9
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=1
classes根据自己检测类别数更改,对应上一层卷积层filters=3×(5+num[classes])
anchors可以根据自己的样本聚类得到
5.cannot fopen ***.jpg/txt
检查对应训练集路径
6.cuda error: out of memory
改小batch/增大sudbivisions,或者关闭多尺度训练random=0
7.darknet: ./src/cuda.c:36: check_error: Assertion `0' failed.
(1)有out of memory错误:检查是否有图像读取错误或同6
(2)无out of memory 错误:Makefile中arch架构与自己显卡架构不匹配,参照安装方法重新编译。
一般来说,也可能是类别数和yolo层filters不匹配
8.训练开始一段时间后出现loss=nan 、IOU=nan ,其他参数全为0的情况
确保cfg文件是train模式,batch、subdivisions不全为1,查看自己训练集txt是否为空
若为多GPU训练,按上述设置参数,防止陷入局部极值点或loss及IOU计算错误。
9.obj和no obj同时下降
使用初始权重darknet53.conv.74或YOLOv3.weights训练时,由于与作者训练集样本结构不同,为 正常现象,若全降为0后不上升,出现大片nan和0,根据多GPU训练修改参数或将batch增大到128及以上
10.测试权重需要关闭训练
11.修改cfg文件不需要重新编译,修改源码需要重新编译
12.训练权重在训练的电脑上可以检测出目标,但换一台机器后无法检测出目标的问题
确保gcc/g++降版本的时候删掉了原来的连接,根据自己的显卡,选择相应的fermi/kepler/maxwell/pascal/turing架构,并根据计算能力选择arch=xx后重新编译
13. No input parameters supplied: Success darknet: ./src/utils.c:256: error: Assertion `0' failed.Aborted (core dumped)
首先加sudo权限,报错找不到libcudart.so.9.0,【解决办法】
若不能解决,则可能为darknet自身问题【参考】重新编译darknet
优化
根据官方参考文档
1. 在.cfg文件中设置random=1,可以增加检测精度。
2. 增加input图像尺寸,在.cfg文件中设置(height=608,heigh=608)以上,可以增加检测精度
3. 对.cfg文件中的anchors重新进行聚类
4. 确保数据集中所有的class都有对应的label,检测你的数据集可以使用https://github.com/AlexeyAB/Yolo_mark
5. 所使用的数据集包括同一物体在不同角度、光照、背景、大小下的图片,并且确保训练2000**classes个iterations以上。
6. 确保生成的txt文档不为空
其他详见官方参考文档
参考:
iou画 yolov3_yolov3环境配置训练及优化相关推荐
- Pytorch版deeplabv3+环境配置训练自己的数据集
这个很不错:https://blog.csdn.net/qq_39056987/article/details/106455828 [windows10]使用pytorch版本deeplabv ...
- 【20210122期AI简报】保姆级深度学习环境配置指南、寒武纪首颗AI训练芯片亮相...
导读:本期为 AI 简报 20210122 期,将为您带来 9 条相关新闻,新增论文推送,在文章底部,祝各位牛年大吉~ 本文一共 3700 字,通篇阅读结束需要 7~10 分钟 1. 保姆级教程:深度 ...
- win10caffe-GPU环境配置+mnist手写体训练以及python接口导入详细教程(一步成功)
什么是caffe Caffe是一个深度学习框架,具有表达力强.速度快和模块化的思想,由伯克利视觉学习中心(BVLC)和社区贡献者开发.Yangqing Jia在加州大学伯克利分校攻读博士期间创建了这个 ...
- yolov5环境配置和训练
慢慢写不着急 yolov5权重文件(百度网盘) yolov5weight 提取码:g5jh 鉴于官网权重文件4个月没有跟新,放心食用(20201030) weight V4.0 提取码:aljp 20 ...
- 目标检测FCOS网络环境配置、训练自己的数据集
文章:FCOS: Fully Convolutional One-Stage Object Detection 项目源码:https://github.com/tianzhi0549/FCOS 目录 ...
- Hadoop自学笔记(七)Hadoop环境配置和优化
概览 1. Hadoop Trouble Shooting 查看logs, 存储位置等 2. Hadoop Administration 常见Hadoop管理员面对的问题 3. Hadoop Opti ...
- yolov5环境配置及训练coco128数据集
本人小白一个,最近在学习yolov5网络,于是跟着网上的教程配置环境训练等,出现了很多错误,可能会比较乱,先说声抱歉.现在总结一下,算是理清下自己的思路,希望对各位也有些帮助. 环境配置:推荐安装Cu ...
- 基于Detectron2的BlendMask训练 BlendMask环境配置 COCO数据集
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录 前言 一.下载Detectron2 在这里插入图片描述 AdelaiDet是基于Detectron2之上,可以包含多个实例级 ...
- 手把手教你用YOLOv5训练自己的数据集(从Windows环境配置到模型部署)
[小白CV]手把手教你用YOLOv5训练自己的数据集(从环境配置到模型部署) 本文禁止转载 前言: 1. 安装Anaconda: 2. 创建虚拟环境: 3. 安装pytorch: 4. 下载源码和安装 ...
最新文章
- 1925亿美元,中国仍是世界最大芯片市场!2022全球半导体行业报告出炉
- python -- 青少年如何使用 Python 开始游戏开发
- Echart图表入门
- vue --- 全局注册子组件,并导入全局的子组件
- 淮安中专学计算机哪个学校好,2021淮安初中十强排名 哪些初中比较好
- table取tr对象 vue_Vue笔记
- 2、Task 使用 ContinueWith 而不要使用 Wait
- 《统计学习方法》读书笔记——机器学习常用评价指标
- C/C++移位运算符
- 过去的一年,2013!
- 海康威视二次开发 python_海康威视面试python后端题
- java SE复习笔记54
- spss专题3:结果文件的基本操作(转载)
- 相机靶面尺寸和视场角换算
- 一帘心事碎碎念,一眸雪舞剪剪风
- java代码耗尽内存_windows server 2008 环境下,运行java程序,内存耗尽问题
- python图像处理-形状提取和识别1(基于Hough的形状提取)
- 免费的天气预报API--谷歌,雅虎,中央气象台
- 2.22 ACM模拟赛总结
- Did you mean feature with Apache Lucene Spell-Checker
热门文章
- 连接池超时配置_HttpClient连接池的一些思考
- apns java 证书_APNS推送服务证书制作 图文详解教程(新)
- python文件处理seek()方法的参数是_Python 文件(File) seek() 方法
- java js跳出循环_[Java教程]js循环的总结
- wordpress 根据文章ID获取分类ID和标签ID
- C++ 面向对象(一)—— 类(Classes)
- Mac下安装event库
- [react] react多个setState调用的原理是什么?
- 重学java基础第二十课:环境配置和第一个helloWorld
- react(90)--时间戳比较