快捷高效| 通过 MoPaaS AI 平台完成 YOLOv5 训练

概览

2020 年 6 月 25 日，Ultralytics 发布了 YOLO V5 的第一个正式版本，其性能与YOLO V4 不相伯仲，同样也是现今最先进的对象检测技术，并在推理速度上是目前最强，yolov5 按大小分为四个模型 yolov5s、yolov5m、yolov5l、yolov5x。

MoPaaS AI人工智能平台一方面通过GPU资源虚拟化和分布式训练技术提供高效的算力优化管理，弹性灵活地满足不同场景机器学习对算力、性能、安全和成本的需求；另一方面平台预置常用AI 框架，通过提供高效的机器学习开发运维 (MLOps)，全流程地支持 AI 模型的构建、训练、部署和运维。

本文将介绍如何通过MoPaaS AI平台训练并使用yolov5s。

详细操作内容

1. YOLO训练流程

在训练yolov5s之前，需要简单了解YOLO训练流程及相关准备，具体如下图1所示：

2. 建立储存空间

前提：用户通过账户名与密码登录AI平台用户端，进入控制中心。

在左侧导航栏AI平台【数据管理】—【存储管理】模块点击新建存储如下图2所示，填写存储名称、存储空间大小、访问密码等信息。申请好的存储为后续上传数据文件、模型文件等提供储存和调用。

注：根据模型及数据集大小按需申请空间，后续可动态扩容。

3. 版本与环境

3.1 准备yolov5s所需要的环境

前提：用户通过账户名与密码登录AI平台用户端，进入控制中心。

1、在平台开发环境模块创建YOLO的运行环境。

在左侧导航栏AI平台【开发环境】模块点击新建环境如下图3所示，填写环境信息、访问密码；同时勾选平台预置的环境框架、资源配置、挂载2.2章节创建的存储，此外tensorboard、端口管理等为非必选项，根据需求调整，最后点击创建。

2、安装YOLO运行环境库

待环境状态为绿色运行中时，点击Mlab进行访问如图4所示：

通过web Terminal 安装环境依赖如下图5所示，安装全部依赖可使用命令：

pip install -r https://raw.githubusercontent.com/ultralytics/yolov5/master/requirements.txt

3.2 下载yolov5 模型

克隆文件到当前路径：git clone https://github.com/ultralytics/yolov5.git（需要 Git）。

或者把本地已经有的模型上传到2.2章节创建的存储，在【数据管理】—【存储管理】找到创建的Yolov5存储，点击管理然后上传本地模型文件，如图6所示：

4. 准备训练集

训练集分为两个部分即2个子文件夹。训练和测试所需要的路径结构如图7所示，在data目录文件夹下，创建子文件夹 images（图像）及 labels（标注）。每个文件夹下再分设train 和 test。注意：Yolov5 运行时会自动读取 images 和 labels 下相同路径相同文件名的图片和标注文本，图片名和标注文本的文件名需要完全一致且一一对应。

5. 数据标注

1、在左侧导航栏AI平台【数据管理】—【数据标注】模块点击新建标注如下图8所示，存储选择2.2章节创建的Yolov5存储即可。

2、创建完成后点击标注，输入账户并进入标注界面进行数据标注如图9所示：

3、数据标注完成后导出标注内容为 txt 格式文件如图10所示，并把导出后的文件放到/labels/train/路径下 。

6. 创建配置文件

在存储/data/路径下创建 wzry.yaml，内容如图11所示：

7. 训练模型

在 web Terminal 执行训练如图12、图13所示，训练命令如下：

python train.py --img 640 --epochs 50 --data wzry.yaml --weights yolov5s.pt

备注：

常用选项为：--img图像大小 --epochs训练层数 --data 数据配置文件 --weights初始模型 --device选择训练机器（CPU/GPU）

已完成2.3.1章节创建的Yolov5环境

8. 模型预测

在 web Terminal 进行预测如图14所示，执行命令如下：

python detect.py --weights runs/train/exp/weights/best.pt --source data/images/test

处理识别过的图片/视频，在 /runs/detect/exp/中可以找到如图15所示。