K210开发板(六)-yolo目标检测

项目 > 嵌入式 > K210 K210
Created At :
Count:1.6k Views 👀 :16
  1. 一、实验准备
    1. 1.Pytorch
      1. 1.1 Pytorch的安装
        1. 1.1.1 Anaconda安装
        2. 1.1.2 pytorch的环境配置及安装
      2. 1.2 python的编辑器及配置
        1. 1.2.1 PyCharm
        2. 1.2.2 Jupyter Notebook
      3. 1.3 一些库
        1. 1.3.1 opencv
        2. 1.3.2 os
        3. 1.3.3 torch
        4. 1.3.3.1 torch.utils.data.Dataset
        5. 1.3.3.2 torch.utils.data. DataLoader
        6. 1.3.3.3 torch.nn
        7. 1.3.3.4 torch.optim
        8. 1.3.4 torchvision
        9. 1.3.4.1 torchvision.transforms
      4. 1.4 利用GPU加速

简介：
  

一、实验准备

1.Pytorch

  Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（tensor ）库，在机器学习和其他数学密集型应用有广泛应用。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。但由于Torch语言采用 Lua，导致在国内一直很小众，并逐渐被支持 Python 的 Tensorflow 抢走用户。作为经典机器学习库 Torch 的端口，PyTorch 为 Python 语言使用者提供了舒适的写代码选择。

1.1 Pytorch的安装

1.1.1 Anaconda安装

  此处我选用的是Anaconda3-5.2.0-Windows-x86_64.exe版本

超详细Anaconda安装教程_极小白的博客-CSDN博客

1.1.2 pytorch的环境配置及安装

  打开Anaconda Prompt 输入
  conda create -n pytorch python=3.6
  创建了一个新环境，然后使用如下命令进入环境
  conda activate pytorch
  之后需要安装gpu版本的pytorch，按照视频教程去pytorch.org使用官方命令安装pytorch怎么样安装的都是cpu版本，找了很多教程，都没有用，最直接的解决方案是自己下载离线文件，此处按照下面这个教程安装

pytorch gpu版安装（普适稳妥，亲测有效） - 知乎 (zhihu.com)

  在环境里安装torchvision时报错ReadTimeout，可能是安装依赖的问题，解决方法：设置pip全局设置镜像源

1
2
pip3 config --global set global.index-url https://mirrors.aliyun.com/pypi/simple/
pip3 config --global set install.trusted-host

  检验是否安装成功，依次输入

1
2
3
python
import torch
torch.cuda.is_available()

  返回True代表成功
  配置和安装pytorch遇到了很多报错，终于是成功了，如果觉得有问题，可以把环境文件夹删了重来一遍（我的文件夹路径为C:\Users\Frelar\Anaconda3\envs\）

1.2 python的编辑器及配置

1.2.1 PyCharm

  下载2023版使用import torch报错了 下回2019版成功

1.2.2 Jupyter Notebook

  按照教程下载报错，改为在Anaconda Promot（pytorch环境）里输入conda install jupyter notebook，下载后new选项里没有当前环境，依次输入

1
2
conda install ipykernel
python -m ipykernel install --user --name pytorch --display-name "Python (pytorch)"

成功解决

1.3 一些库

1.3.1 opencv

  这里使用pip install opencv-python安装报错Failed building wheel for opencv-python，然后尝试用conda安装，报错找不到库，所以还是采用离线下载方式，进入网址Archived: Python Extension Packages for Windows - Christoph Gohlke (uci.edu)找到你对应的python版本（cp36代表python3.6），使用迅雷下载会快很多，然后在环境下使用pip install your_path\opencv_python-4.4.0-cp36-cp36m-win_amd64.whl安装成功

  import cv2

1
cv2.imread()	#读取图片，返回ndarray类型图片及信息
1.3.2 os

  import os

1
2
os.listdir(dir_path)	#读取获取目录下所有文件名称
os.path.join(path1,path2)	#拼接路径
1.3.3 torch
1.3.3.1 torch.utils.data.Dataset

  from torch.utils.data import Dataset
  包含自定义数据集方法的类，用户可以通过继承该类来自定义自己的数据集类，在继承时要求用户重载__len__()和__getitem__()这两个魔法方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
from torch.utils.data import Dataset  
from PIL import Image  
import os  
  
class MyData(Dataset):  
  
    def __init__(self,root_dir,label_dir):  
        self.root_dir=root_dir  #根目录
        self.label_dir=label_dir  #标签
        self.path=os.path.join(root_dir,label_dir)  #图片目录
        self.image_path=os.listdir(self.path)  #所有图片名称
  
    def __getitem__(self, idx):  
        img_name=self.image_path[idx]  
        img_idx_path=os.path.join(self.path,img_name)  
        img=Image.open(img_idx_path)  
        label=self.label_dir  
        return img,label  #图片信息，标签
  
    def __len__(self):  
        return len(self.image_path)  #图片个数
  
  
root_dir="dataSet/train"  
cat_label_dir="cat"  
cat_dataSet=MyData(root_dir,cat_label_dir)	#实例
1.3.3.2 torch.utils.data. DataLoader

  from torch.utils.data import DatLoader

1
2
3
4
train_loader=DataLoader(dataset=train_data,batch_size=64,shuffle=True,num_workers=0,drop_last=True)
#数据集，每次打包的图片数，是否打乱，线程数，是否丢弃不够一组打包的图片
#for data in train_loader
#	imgs,target=data	#读取图片信息
1.3.3.3 torch.nn

  from torch import nn
  一个用于创建神经网络模型的类,可以作为参数、容器、子模块和函数

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
#神经网络骨架
class Name(nn.moudle):
	def __init__(self):
		super(Name,self).__init__()
		self.layer=layerFunc()	#激活层
	def forward(self,input)	#前向传播
		output=self.layer(input)
		return output

name=Name()
output=name(input)
name.train()	#训练模式
name.eval()	#验证模式
#卷积
nn.Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1,padding=0)	#二维卷积（输入通道数，输出通道数，卷积核层数...）
#池化
nn.MaxPool2d(kernel_size=3,ceil_mode=True)	#最大池化（核大小，步长（默认为核大小），是否填充是否舍弃不足核大小的图片部分）
#非线性激活
nn.sigmoid(inplace=False)	#sigmoid激活（是否原地操作）
#线性激活
nn.Liner(input_features,output_features,bias=False)	#线性激活（输入特征数，输出特征数，偏置）
#序列
nn.Sequential(fun1,fun2...,funN)	#包装操作为序列，可读性更强
#损失函数、反向传播
loss=nn.CrossEntropyLoss()
result_loss=loss(outputs,targets)
result_loss.backword()	#反向传播 将梯度记录在每层信息的weight里
1.3.3.4 torch.optim

  import torch
  用于参数优化的库（可以说是花式梯度下降）

1
2
3
4
5
optim=torch.optim.SGD(yourClass.parameters(),lr=0.01)	#优化器（参数集，学习速率）
#result.loss=loss(outputs,targets)
#optim.zero_grad()	#初始化梯度
#result_loss.backword()
#optim.step()
1.3.4 torchvision

  import torchvision
  处理图像的工具集

1
2
3
4
#获取数据集
train_set=torchvision.datasets.dataname(root="./dataset",train=True,transforms=mytransform,download=True)
#train_set.classes 数据集的各种类名（猫、狗...）
#img,target=train_set[0] 图片信息，图片类名编号
1.3.4.1 torchvision.transforms

  from torchvision import transforms
  对图片进行操作
  使用方法：

1
2
mytool=transforms.tool(arguments1)	#实例化
mytool(arguments2)	#使用

  tool:

1
2
3
4
5
6
7
8
9
10
11
12
myToTensor=transforms.ToTensor()
myImg=myToTensor(img)	#将PIL或numpy.ndarry类型图片转为tensor类型并返回
#tensor类型：包装了神经网络的一些参数

myCompose=transforms.Compose(n)
myImg=myCompose(img)	#中心裁剪

myNorm=transforms.Normalize([mean1...meanN],[std1...stdN])	#每个通道的均值和方差
myImg=myNorm(img)	#归一化

myResize=transforms.Resize((h,w))
myImg=myResize(img)	#缩放

1.4 利用GPU加速

1
2
3
4
5
6
#方法一
if torch.cuda.is_available():	#判断GPU加速是否可用
	item=item.cuda()	#目标加速（可用于：imgs/targets/yourMoudle/loss）
#方法二
device=torch.device("cuda" if torch.cuda.is_available() else "cpu") 
item=item.to(device)

遇到问题：
解决方案：

Tips:

结语：
  

转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 21009200039@stu.xidian.edu.cn

💰

©2017 弦上的箭

Built with Hexo and 3-hexo theme

×

Help us with donation