| YOLOV5 环境搭建和使用记录 | 您所在的位置：网站首页 › python from utils › YOLOV5 环境搭建和使用记录 |
|
前言 yolov5 github：[https://github.com/ultralytics/yolov5](https://github.com/ultralytics/yolov5) 测试显卡：GTX 2060 python版本：3.8.12 CUDA版本：11.6 pytorch版本：1.10.1 环境搭建和测试运行中 遇到相关报错可参考 [报错相关] 环境搭建 Anaconda 当然如果你不想用Anaconda，可以跳过这一步，直接安装和配置你的python环境也可以。 我这采取的方案是 本地环境 [Anaconda](https://www.anaconda.com/) python版本选的 python3.8.12，创建环境 yolov5克隆到本地 官方仓库clone命令 `git clone https://github.com/ultralytics/yolov5` 我这采取的方案是fork了仓库 同步到了gitee，然后clone ## 安装相关依赖库 如果你不想用pycharm，也可以直接cmd进入指定目录，然后执行pip安装命令 我这采用pycharm打开工程，配置为 conda的环境 根据官方说明文档进行安装 激活我们刚才创建的环境 py38-img 执行pip命令 `pip install -r requirements.txt` 完成安装。 ps：我这已经换了源 路径：`C:\Users\用户名\pip` pip.ini 内容为： ```ini [global] index-url = https://pypi.tuna.tsinghua.edu.cn/simple [install] trusted-host = https://pypi.tuna.tsinghua.edu.cn ``` 安装CUDA和cuDNN（有显卡需求的话） 据 [RuntimeError: CUDA error: no kernel image is available for execution on the device](https://blog.csdn.net/qq_43391414/article/details/110562749)得知，如果你要使用torch 1.7，GPU算力至少要达到5.2。那么根据博主提供的算力表，如果没达标就不用装了 pytorch安装cpu版本。 *ps：我的显卡是RTX2060* 参考文章：[win10安装CUDA和cuDNN的正确姿势](https://zhuanlan.zhihu.com/p/94220564?utm_source=wechat_session) CUDA下载页面：[https://developer.nvidia.com/cuda-downloads](https://developer.nvidia.com/cuda-downloads) cuDNN下载页面：[https://developer.nvidia.com/rdp/cudnn-download](https://developer.nvidia.com/rdp/cudnn-download) 根据教程 安装和配置好环境， cudnn里面的文件 需要复制到 cuda的对应文件夹下。这里访问比较困难 我这同步到了阿里云盘：「cuda_11.6.0_511.23_windows.exe」[https://www.aliyundrive.com/s/6Q4yRH9nJ8Q] 环境变量的配置 ``` C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\lib\x64 ``` 安装完后的测试 `nvcc -V` C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\extras\demo_suite 执行测试程序 这是我的相关参数 pytorch单独再次安装（视情况采用） 如果你前面采用了pip安装依赖，此处需要先卸载了 `pip uninstall torch torchvision` 因为pytorch这块安装有 cpu only的版本 所以我掉了很多次坑 参考：[Windows环境下Anaconda3安装配置pytorch详细步骤（踩坑汇总）](https://blog.csdn.net/qq_41282258/article/details/98961667) [Pytorch版本、CUDA版本与显卡驱动版本的对应关系](https://blog.csdn.net/kellyroslyn/article/details/109668001) 注意版本是否对应！ pytorch官网：[https://pytorch.org/] 根据你的需求生成安装命令，（后缀的 -c pytorch不删 是走官网下载，可以尝试删除） ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch ``` 查看 安装的相关库 `conda list` ，没有带 cpuonly 对头 CPU版 `conda install pytorch torchvision torchaudio cpuonly -c pytorch` 测试官方demo detect.py识别 bus.jpg 源码里面写了相关的使用命令和传参，当然直接跑多半会报错 正常情况运行命令 `python detect.py --weights yolov5s.pt --source data\images\bus.jpg`，可以完成图片识别，显示结果到runs下的exp里 当然 细心的你会发现缺少了 对应的权重文件 **yolov5s.pt**，相应的权重文件可以在官方github仓库下载：[https://github.com/ultralytics/yolov5/releases](https://github.com/ultralytics/yolov5/releases) 当然如果你没有下载，例程也会自动帮你运行下载程序，不过网络不好的情况下多半会出现443等报错然后下载失败。 另外你例程会下载字体包 **Arial.ttf**，如果下载失败可以自行去提示的官网下载，然后存放在指定路径下 `C:\Users\用户名\AppData\Roaming\Ultralytics`，并安装字体包。 我这阿里云盘也上传了：[https://www.aliyundrive.com/s/xzgh5fr6yLU] train.py训练模型 训练官方提供的coco128 源码里也同样提供了 参考的命令 当然直接跑也是运行不了的啦 当然我这提供了运行命令，先创建文件夹 datasets，然后将coco128数据集下载后解压进去（当然例程会自己下载，不过我这下载还是失败了） ```bash $ cd datasets $ python ..\train.py --data ..\data\coco128.yaml --img 128 ``` 例程会读取 `data\coco128.yaml` 文件，yaml里面写了下载的数据集路径，你可以手动下载然后解压到datasets里面 [https://ultralytics.com/assets/coco128.zip] 再次执行我们的训练命令 ，开始训练（默认训练300轮 可以通过--epochs 修改轮数，另外默认配置还是比较吃电脑配置的，如果只是测个程序而已，可以使用我这提供的第3条命令） **（如果报错：DefaultCPUAllocator: not enough memory，内存不足，就需要调小配置 更多报错参考文章末尾的目录 报错相关）** ```bash $ cd datasets $ python ..\train.py --data ..\data\coco128.yaml --img 128 $ python ..\train.py --data ..\data\coco128.yaml --epochs 3 --batch-size 1 --workers 1 --img 128 ``` 训练自己的模型 当然可以不训练这个了，自己随便搞个test训练训练（这个test训练集 由[labelimg](https://github.com/tzutalin/labelImg) 工具协助生成） labelimg相关使用可以参考下面的部分 开始训练 `python ..\train.py --data test\test.yaml --epochs 3 --batch-size 2 --weights ..\runs\train\exp26\weights\last.pt --nosave --cache` （注意我这里传了不少参数，如果你不需要可以不加 --epochs是训练轮数，因为测试所以先调小点，节约时间。*具体各个参数的含义可以看下面的参考图或直接看源码*） 报错 OSError: [WinError 1455] 页面文件太小，无法完成操作。你可以调小 --batch-size 配合 命令 ```nvidia-smi```，查看显卡信息 下图转自 [yolov5训练相关参数解释](https://blog.csdn.net/weixin_41990671/article/details/107300314) 相关训练参数可参考：[yolov5训练相关参数解释](https://blog.csdn.net/weixin_41990671/article/details/107300314) 我们调小 --batch-size `python ..\train.py --data test\test.yaml --epochs 3 --batch-size 2 --weights ..\runs\train\exp26\weights\last.pt --nosave --cache`，成功完成训练。训练结果默认存储在 `runs\train\exp` 等下面，我们的权重文件 生成了2个 last.pt, best.pt。当然可能你只会生成1个last.pt，问题不大，继续练。 训练好后的权重 pt拿去 再次detect.py识别 相关命令 ```bash $ cd datasets $ python ..\detect.py --weights ..\runs\train\exp29\weights\best.pt --source test\test --conf-thres 0.5 ``` 源码有各传参的解释，我们这追加了 --conf-thres 传入 因为这个模型我已经提前锻炼过，所以 准确性较高。 置信度还是很不错的 ，当然你刚开始训练的话，基本也就0.1差不多（粗略估计） labelimg相关使用 下载 官方仓库：[https://github.com/tzutalin/labelImg/releases] 使用 解压，运行exe 删除默认提供的类名（根据自己需要） 我这推荐的几个实用的快捷键 ```bash w 创建选框 a 前一张图片 d 后一张图片 ctrl+S 保存 ``` 准备需要标注的图片数据集 我这按自己喜欢的结构创建，images 和 labels 文件夹 和 yaml文件，在外面套个文件夹 我们将要标注的原始图片放在 images文件夹内 从百度爬点图片 然后我们开始用工具进行标注，“open dir”打开我们需要标注的图片的文件夹 图片会自动加载进来 “change save dir”设置保存labels的路径为我们的 labels 修改标注的格式为**yolo**（点击切换） 然后就是使用我们的快捷键 进行框选区域和打标签了。（记得保存） 标注完，保存后，生成的配置都在 对应文件夹下，classes.txt为所有的labels，其他单个文件为 对应label的参数 修改 yaml文件的相关配置 ```bash # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] path: ikaros # dataset root dir train: images # train images (relative to 'path') 128 images val: images # val images (relative to 'path') 128 images test: # test images (optional) # Classes nc: 1 # number of classes names: ['ikaros'] # class names ``` 拉去训练，1组报错 追加一个类 改yaml为 ```bash # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] path: ikaros # dataset root dir train: images # train images (relative to 'path') 128 images val: images # val images (relative to 'path') 128 images test: # test images (optional) # Classes nc: 2 # number of classes names: ['ikaros', 'ZhiShu'] # class names ``` 从零开始的train.py训练生活 前面准备工作做好后，开始训练 先叫上GPU来100组俯卧撑（当然 你GPU兄弟累了 可以不叫他 诶嘿~） ```bash $ cd datasets $ python ..\train.py --data ikaros\ikaros.yaml --epochs 100 --batch-size 1 --nosave --cache ``` 100组终于练好了。可以发现我们的锻炼结果不咋滴哈，all [email protected]只有 0.394，没有0.5的置信度我很难办事呀，兄弟还得练哈 我们先拿这个练完100组的权重兄去测一测，置信度阈值设为0.3
```bash python ..\detect.py --weights ..\runs\train\exp35\weights\best.pt --source ikaros\images --conf-thres 0.3 ``` 还行 还得多练练 置信度阈值设为0.01
```bash python ..\detect.py --weights ..\runs\train\exp35\weights\best.pt --source ikaros\images --conf-thres 0.01 ``` 差不多了 在多练练。前面练好的pt不要丢，叫上继续训练 再来100组 ```bash python ..\train.py --data ikaros\ikaros.yaml --epochs 100 --weights ..\runs\train\exp35\weights\best.pt --batch-size 1 --nosave --cache ``` 再次 测试 `python ..\detect.py --weights ..\runs\train\exp36\weights\last.pt --source ikaros\images --conf-thres 0.5`，差不多得了，有兴趣接着练 增加了样本数，继续锻炼 ```bash python ..\train.py --data ikaros\ikaros.yaml --epochs 100 --weights ..\runs\train\exp36\weights\last.pt --batch-size 1 --workers 4 --nosave --cache ``` [email protected] 0.745 效果不错了 找个视频识别下 ```bash python ..\detect.py --weights ..\runs\train\ikaros\ikaros.pt --source ..\data\videos\FallenDown.mp4 ``` 拓展应用 打印信息只提取识别的结果（获取类名和置信值），不显示其他无用信息 效果如下： 替换detecy.py源码 ```python # YOLOv5 🚀 by Ultralytics, GPL-3.0 license """ Run inference on images, videos, directories, streams, etc. python detect2.py --weights yolov5s.pt --source data\images\bus.jpg --nosave Usage - sources: $ python path/to/detect.py --weights yolov5s.pt --source 0 # webcam img.jpg # image vid.mp4 # video path/ # directory path/*.jpg # glob 'https://youtu.be/Zgi9g1ksQHc' # YouTube 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream Usage - formats: $ python path/to/detect.py --weights yolov5s.pt # PyTorch yolov5s.torchscript # TorchScript yolov5s.onnx # ONNX Runtime or OpenCV DNN with --dnn yolov5s.xml # OpenVINO yolov5s.engine # TensorRT yolov5s.mlmodel # CoreML (MacOS-only) yolov5s_saved_model # TensorFlow SavedModel yolov5s.pb # TensorFlow GraphDef yolov5s.tflite # TensorFlow Lite yolov5s_edgetpu.tflite # TensorFlow Edge TPU """ import argparse import os import sys from pathlib import Path import CV2 import torch import torch.backends.cudnn as cudnn FILE = Path(__file__).resolve() ROOT = FILE.parents[0] # YOLOv5 root directory if str(ROOT) not in sys.path: sys.path.Append(str(ROOT)) # add ROOT to PATH ROOT = Path(os.path.relpath(ROOT, Path.cwd())) # relative from models.common import DetectMultiBackend from utils.datasets import IMG_FORMATS, VID_FORMATS, LoadImages, LoadStreams from utils.general import (LOGGER, check_file, check_img_size, check_imshow, check_requirements, colorstr, increment_path, non_max_suppression, print_args, scale_coords, strip_optimizer, xyxy2xywh) from utils.plots import Annotator, colors, save_one_box from utils.torch_utils import select_device, time_sync @torch.no_grad() def run(weights=ROOT / 'yolov5s.pt', # model.pt path(s) source=ROOT / 'data/images', # file/dir/URL/glob, 0 for webcam data=ROOT / 'data/coco128.yaml', # dataset.yaml path imgsz=(640, 640), # inference size (height, width) conf_thres=0.25, # confidence threshold iou_thres=0.45, # NMS IOU threshold max_det=1000, # maximum detections per image device='', # cuda device, i.e. 0 or 0,1,2,3 or cpu view_img=False, # show results save_txt=False, # save results to *.txt save_conf=False, # save confidences in --save-txt labels save_crop=False, # save cropped prediction boxes nosave=False, # do not save images/videos classes=None, # filter by class: --class 0, or --class 0 2 3 agnostic_nms=False, # class-agnostic NMS augment=False, # augmented inference visualize=False, # visualize features update=False, # update all models project=ROOT / 'runs/detect', # save results to project/name name='exp', # save results to project/name exist_ok=False, # existing project/name ok, do not increment line_thickness=3, # bounding box thickness (pixels) hide_labels=False, # hide labels hide_conf=False, # hide confidences half=False, # use FP16 half-precision inference dnn=False, # use OpenCV DNN for ONNX inference ): source = str(source) save_img = not nosave and not source.endswith('.txt') # save inference images is_file = Path(source).suffix[1:] in (IMG_FORMATS + VID_FORMATS) is_url = source.lower().startswith(('rtsp://', 'rtmp://', 'http://', 'https://')) webcam = source.isnumeric() or source.endswith('.txt') or (is_url and not is_file) if is_url and is_file: source = check_file(source) # download # Directories save_dir = increment_path(Path(project) / name, exist_ok=exist_ok) # increment run (save_dir / 'labels' if save_txt else save_dir).mkdir(parents=True, exist_ok=True) # make dir # Load model device = select_device(device) model = DetectMultiBackend(weights, device=device, dnn=dnn, data=data) stride, names, pt, jit, onnx, engine = model.stride, model.names, model.pt, model.jit, model.onnx, model.engine imgsz = check_img_size(imgsz, s=stride) # check image size # Half half &= (pt or jit or onnx or engine) and device.type != 'cpu' # FP16 supported on limited backends with CUDA if pt or jit: model.model.half() if half else model.model.float() # Dataloader if webcam: view_img = check_imshow() cudnn.benchmark = True # set True to speed up constant image size inference dataset = LoadStreams(source, img_size=imgsz, stride=stride, auto=pt) bs = len(dataset) # batch_size else: dataset = LoadImages(source, img_size=imgsz, stride=stride, auto=pt) bs = 1 # batch_size vid_path, vid_writer = [None] * bs, [None] * bs # Run inference model.warmup(imgsz=(1, 3, *imgsz), half=half) # warmup dt, seen = [0.0, 0.0, 0.0], 0 for path, im, im0s, vid_cap, s in dataset: # 自定义存储输出结果的变量 out_str = '' out_str2 = '' t1 = time_sync() im = torch.from_numpy(im).to(device) im = im.half() if half else im.float() # uint8 to fp16/32 im /= 255 # 0 - 255 to 0.0 - 1.0 if len(im.shape) == 3: im = im[None] # expand for batch dim t2 = time_sync() dt[0] += t2 - t1 # Inference visualize = increment_path(save_dir / Path(path).stem, mkdir=True) if visualize else False pred = model(im, augment=augment, visualize=visualize) t3 = time_sync() dt[1] += t3 - t2 # NMS pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det) dt[2] += time_sync() - t3 # Second-stage classifier (optional) # pred = utils.general.Apply_classifier(pred, classifier_model, im, im0s) # Process predictions for i, det in enumerate(pred): # per image seen += 1 if webcam: # batch_size >= 1 p, im0, frame = path[i], im0s[i].copy(), dataset.count s += f'{i}: ' else: p, im0, frame = path, im0s.copy(), getattr(dataset, 'frame', 0) p = Path(p) # to Path save_path = str(save_dir / p.name) # im.jpg txt_path = str(save_dir / 'labels' / p.stem) + ('' if dataset.mode == 'image' else f'_{frame}') # im.txt s += '%gx%g ' % im.shape[2:] # print string gn = torch.tensor(im0.shape)[[1, 0, 1, 0]] # normalization gain whwh imc = im0.copy() if save_crop else im0 # for save_crop annotator = Annotator(im0, line_width=line_thickness, example=str(names)) if len(det): # Rescale boxes from img_size to im0 size det[:, :4] = scale_coords(im.shape[2:], det[:, :4], im0.shape).round() # Print results for c in det[:, -1].unique(): n = (det[:, -1] == c).sum() # detections per class s += f"{n} {names[int(c)]}{'s' * (n > 1)}, " # add to string out_str += f"{n} {names[int(c)]}{'s' * (n > 1)}, " # add to string # Write results for *xyxy, conf, cls in reversed(det): # 标签名 和 置信度 out_str2 += f'{names[int(cls)]} {conf:.2f} ' if save_txt: # Write to file xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist() # normalized xywh line = (cls, *xywh, conf) if save_conf else (cls, *xywh) # label format with open(txt_path + '.txt', 'a') as f: f.write(('%g ' * len(line)).rstrip() % line + '\n') if save_img or save_crop or view_img: # Add bbox to image c = int(cls) # integer class label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}') annotator.box_label(xyxy, label, color=colors(c, True)) if save_crop: save_one_box(xyxy, imc, file=save_dir / 'crops' / names[c] / f'{p.stem}.jpg', BGR=True) # Print time (inference-only) # LOGGER.info(f'{s}Done. ({t3 - t2:.3f}s)') # 输出为：image 1/1 F:\github_pro\yolov5\data\images\bus.jpg: 640x480 4 persons, 1 bus, Done. (0.256s) # LOGGER.warning(f'{s}Done. ({t3 - t2:.3f}s)') # 输出为：4 persons, 1 bus, LOGGER.warning(f'{out_str}') # 输出为：person 0.31 bus 0.81 person 0.83 person 0.85 person 0.87 LOGGER.warning(f'{out_str2}') # Stream results im0 = annotator.result() if view_img: CV2.imshow(str(p), im0) CV2.waitKey(1) # 1 millisecond # Save results (image with detections) if save_img: if dataset.mode == 'image': CV2.imwrite(save_path, im0) else: # 'video' or 'stream' if vid_path[i] != save_path: # new video vid_path[i] = save_path if isinstance(vid_writer[i], CV2.VideoWriter): vid_writer[i].release() # release previous video writer if vid_cap: # video fps = vid_cap.get(CV2.CAP_PROP_FPS) w = int(vid_cap.get(CV2.CAP_PROP_FRAME_WIDTH)) h = int(vid_cap.get(CV2.CAP_PROP_FRAME_HEIGHT)) else: # stream fps, w, h = 30, im0.shape[1], im0.shape[0] save_path += '.mp4' vid_writer[i] = CV2.VideoWriter(save_path, CV2.VideoWriter_fourcc(*'mp4v'), fps, (w, h)) vid_writer[i].write(im0) # Print results t = tuple(x / seen * 1E3 for x in dt) # speeds per image LOGGER.info(f'Speed: %.1fms pre-process, %.1fms inference, %.1fms NMS per image at shape {(1, 3, *imgsz)}' % t) if save_txt or save_img: s = f"\n{len(list(save_dir.glob('labels/*.txt')))} labels saved to {save_dir / 'labels'}" if save_txt else '' LOGGER.info(f"Results saved to {colorstr('bold', save_dir)}{s}") if update: strip_optimizer(weights) # update model (to fix SourceChangeWarning) def parse_opt(): parser = argparse.ArgumentParser() parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'yolov5s.pt', help='model path(s)') parser.add_argument('--source', type=str, default=ROOT / 'data/images', help='file/dir/URL/glob, 0 for webcam') parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='(optional) dataset.yaml path') parser.add_argument('--imgsz', '--img', '--img-size', nargs='+', type=int, default=[640], help='inference size h,w') parser.add_argument('--conf-thres', type=float, default=0.25, help='confidence threshold') parser.add_argument('--iou-thres', type=float, default=0.45, help='NMS IoU threshold') parser.add_argument('--max-det', type=int, default=1000, help='maximum detections per image') parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') parser.add_argument('--view-img', action='store_true', help='show results') parser.add_argument('--save-txt', action='store_true', help='save results to *.txt') parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels') parser.add_argument('--save-crop', action='store_true', help='save cropped prediction boxes') parser.add_argument('--nosave', action='store_true', help='do not save images/videos') parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --classes 0, or --classes 0 2 3') parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS') parser.add_argument('--augment', action='store_true', help='augmented inference') parser.add_argument('--visualize', action='store_true', help='visualize features') parser.add_argument('--update', action='store_true', help='update all models') parser.add_argument('--project', default=ROOT / 'runs/detect', help='save results to project/name') parser.add_argument('--name', default='exp', help='save results to project/name') parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment') parser.add_argument('--line-thickness', default=3, type=int, help='bounding box thickness (pixels)') parser.add_argument('--hide-labels', default=False, action='store_true', help='hide labels') parser.add_argument('--hide-conf', default=False, action='store_true', help='hide confidences') parser.add_argument('--half', action='store_true', help='use FP16 half-precision inference') parser.add_argument('--dnn', action='store_true', help='use OpenCV DNN for ONNX inference') opt = parser.parse_args() opt.imgsz *= 2 if len(opt.imgsz) == 1 else 1 # expand # print_args(FILE.stem, opt) return opt def main(opt): # CRITICAL = 50 # FATAL = CRITICAL # ERROR = 40 # WARNING = 30 # WARN = WARNING # INFO = 20 # DEBUG = 10 # NOTSET = 0 LOGGER.setLevel(30) check_requirements(exclude=('tensorboard', 'thop')) run(**vars(opt)) if __name__ == "__main__": opt = parse_opt() main(opt) ``` 报错相关 RuntimeError: [enforce fail at ..\c10\core\CPUAllocator.cpp:76] data. DefaultCPUAllocator: not enough memory: you tried to allocate 131072000 bytes. 申请内存过多，没有足够的内存了。 解决方案：同样也是 调小 --batch-size 和 --workers 参考命令： ```bash python ..\train.py --data ..\data\coco128.yaml --epochs 3 --batch-size 1 --workers 1 --img 128 ``` 报错 OSError: [WinError 1455] 页面文件太小，无法完成操作。 增加分配虚拟内存，然后重启。调小 --batch-size，或者改 --batch-size -1 自动识别（不过我这就经常崩溃） 减小 --workers ```bash # 我的显卡是RTX2060 测了几套下来，基本上--batch-size 2 --workers 8 不能再高了 python ..\train.py --data ikaros\ikaros.yaml --epochs 100 --weights ..\runs\train\exp36\weights\last.pt --batch-size 1 --workers 4 --nosave --cache ``` 不吃GPU 实则环境错误的情况 基本会报错 `UserWarning: User provided device_type of 'cuda', but CUDA is not available.` 看看 CUDA 相关环境是否装好；看 pytorch版本是否匹配，是否错装了 cpuonly版；命令是否写错了 Arial.ttf 字体包缺失 例程会下载字体包 Arial.ttf，如果下载失败可以自行去提示的官网下载，然后存放在指定路径下 `C:\Users\用户名\AppData\Roaming\Ultralytics`，并安装字体包。 我这阿里云盘也上传了：[https://www.aliyundrive.com/s/xzgh5fr6yLU] CondaHTTPError: HTTP 000 CONNECTION FAILED for url ＜https://repo.anaconda.co 参考：[CondaHTTPError: HTTP 000 CONNECTION FAILED for url ＜https://repo.anaconda.co](https://blog.csdn.net/qq_35443700/article/details/107951536) Solving environment: failed with initial frozen solve. Retrying with flexible solve. 参考：[conda install 安装很慢并且Solving environment: failed with initial frozen solve.](https://zhuanlan.zhihu.com/p/371346329) PackagesNotFoundError: The following packages are not available from current channels: - torch 网上的方法不太管用，全部重装算了。 ```bash pip uninstall -r requirements.txt conda uninstall pytorch torchvision torchaudio cudatoolkit ``` 还卸不掉了，呃 直接环境删了 算了 重装还是同样的问题 换命令走官方镜像 ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch ``` Key already registered with the same priority: GroupSpatialSoftmax 参考：[(解决)Key already registered with the same priority: GroupSpatialSoftmax](https://www.baidu.com/link?url=4c8HnwK-0nAahcXBAqdCmrVDHrtXTsYSOlf2604sLzQGTsLIvpQqkY7j3-pySdzD43d9p_a0t6saoPapzuAwVao-wAseL2r-xh7LfJPqGoi&wd=&eqid=c4535a1700005f7d0000000561ef816e) 先尝试卸载了 `conda uninstall pytorch` 和 `pip uninstall torch torchvision` 然后重新安装 ```conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch``` RuntimeError: CUDA error: no kernel image is available for execution on the device 训练 报错（测试显卡 GT 720） 参考：[RuntimeError: CUDA error: no kernel image is available for execution on the device](https://blog.csdn.net/qq_43391414/article/details/110562749) 据参考文章解释为更换低版本pytorch，低于1.2，那肯定是没救了 换CPU版了 卸载前面装的库 `conda uninstall pytorch torchvision torchaudio cudatoolkit` 官网查看cpu版安装命令 `conda install pytorch torchvision torchaudio cpuonly -c pytorch` 再次训练，成功 |
| CopyRight 2018-2019 实验室设备网 版权所有 |