簡介
記錄自己學(xué)習(xí)yolov5中遇到的問題，隨即不定時(shí)更新，遇到問題記錄下來方便回顧。

2022.05.06
1、改用VOC數(shù)據(jù)集進(jìn)行訓(xùn)練，修改完格式后，運(yùn)行train.py報(bào)錯(cuò)：
AssertionError: train: No labels in …/train.cache. Can not train without labels. See https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

解決方法：打開文件目錄下 utils/dataset.py 文件，ctrl+F搜索define label，然后將框中內(nèi)容修改為自己存放圖片的文件夾名稱，從"images"修改為"JPEGImages"即可。

2022.6.12

1、用云服務(wù)器訓(xùn)練的時(shí)候，遇到了這個(gè)問題：
ImportError: libgthread-2.0.so.0: cannot open shared object file: No such file or directory
解決方法：

apt-get update

#安裝額外的包
apt-get install libxext-dev
apt-get install libxrender1
apt-get install libglib2.0-dev

2、凍結(jié)訓(xùn)練和解凍訓(xùn)練和預(yù)訓(xùn)練權(quán)重的問題

預(yù)訓(xùn)練權(quán)重是針對(duì)他們數(shù)據(jù)集訓(xùn)練得到的，如果是訓(xùn)練自己的數(shù)據(jù)集還能用嗎？
預(yù)訓(xùn)練權(quán)重對(duì)于不同的數(shù)據(jù)集是通用的，因?yàn)樘卣魇峭ㄓ玫?。一般來講，從0開始訓(xùn)練效果會(huì)很差，因?yàn)闄?quán)值太過隨機(jī)，特征提取效果不明顯。對(duì)于目標(biāo)檢測(cè)模型來說，一般不從0開始訓(xùn)練，至少會(huì)使用主干部分的權(quán)值，雖然有些論文提到了可以不用預(yù)訓(xùn)練，但這主要是因?yàn)樗麄兊臄?shù)據(jù)集比較大而且他們的調(diào)參能力很強(qiáng)。如果從0開始訓(xùn)練，網(wǎng)絡(luò)在前幾個(gè)epoch的Loss可能會(huì)非常大，并且多次訓(xùn)練得到的訓(xùn)練結(jié)果可能相差很大，因?yàn)闄?quán)重初始化太過隨機(jī)。
因?yàn)槟繕?biāo)檢測(cè)模型里，主干特征提取部分所提取到的特征是通用的，把backbone凍結(jié)起來訓(xùn)練可以加快訓(xùn)練效率，也可以防止權(quán)值被破壞。在凍結(jié)階段，模型的主干被凍結(jié)了，特征提取網(wǎng)絡(luò)不發(fā)生改變，占用的顯存較小，僅對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)。在解凍階段，模型的主干不被凍結(jié)了，特征提取網(wǎng)絡(luò)會(huì)發(fā)生改變，占用的顯存較大，網(wǎng)絡(luò)所有的參數(shù)都會(huì)發(fā)生改變。舉個(gè)例子，如果在解凍階段設(shè)置batch_size為4，那么在凍結(jié)階段有可能可以把batch_size設(shè)置到8。下面是進(jìn)行凍結(jié)訓(xùn)練的示例代碼，假設(shè)前50個(gè)epoch凍結(jié)，后50個(gè)epoch解凍：

關(guān)于預(yù)訓(xùn)練權(quán)重加載。更改完網(wǎng)絡(luò)結(jié)構(gòu)后，即使更改了主干特征提取網(wǎng)絡(luò)，也是可以加載預(yù)訓(xùn)練權(quán)重的。通過加載預(yù)訓(xùn)練權(quán)重，可以將網(wǎng)絡(luò)中的參數(shù)初始化，我理解的是更有利于網(wǎng)絡(luò)模型的復(fù)現(xiàn)，以及加快模型訓(xùn)練收斂速度。如下圖所示，會(huì)根據(jù)你的網(wǎng)絡(luò)結(jié)構(gòu)，加載一部分參數(shù)。所以朋友們?nèi)绻敫木W(wǎng)絡(luò)的話，也可以選擇加載預(yù)訓(xùn)練模型的。

總結(jié)：無論換什么主干?。?！都能用權(quán)重?。。《寄苡茫。?！都能用?。?！

3、訓(xùn)練時(shí)出現(xiàn)以下問題：
TypeError: init() missing 1 required positional argument: ‘dtype’
翻譯過來就是：類的構(gòu)造函數(shù)需要一個(gè)’dtype’參數(shù).但你創(chuàng)建類時(shí)沒有傳遞
解決方法：
在train.py中把 num_workers 改小一些

2022-6-14

添加注意力機(jī)制

1、第一步：在common.py文件中寫入注意力機(jī)制代碼，比如CBAM，將以下代碼復(fù)制到common.py下

# CBAM
class ChannelAttention(nn.Module):
    def __init__(self, in_planes, ratio=16):
        super(ChannelAttention, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.max_pool = nn.AdaptiveMaxPool2d(1)
        self.f1 = nn.Conv2d(in_planes, in_planes // ratio, 1, bias=False)
        self.relu = nn.ReLU()
        self.f2 = nn.Conv2d(in_planes // ratio, in_planes, 1, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        avg_out = self.f2(self.relu(self.f1(self.avg_pool(x))))
        max_out = self.f2(self.relu(self.f1(self.max_pool(x))))
        out = self.sigmoid(avg_out + max_out)
        return out


class SpatialAttention(nn.Module):
    def __init__(self, kernel_size=7):
        super(SpatialAttention, self).__init__()
        assert kernel_size in (3, 7), 'kernel size must be 3 or 7'
        padding = 3 if kernel_size == 7 else 1
        # (特征圖的大小-算子的size+2*padding)/步長+1
        self.conv = nn.Conv2d(2, 1, kernel_size, padding=padding, bias=False)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        # 1*h*w
        avg_out = torch.mean(x, dim=1, keepdim=True)
        max_out, _ = torch.max(x, dim=1, keepdim=True)
        x = torch.cat([avg_out, max_out], dim=1)
        # 2*h*w
        x = self.conv(x)
        # 1*h*w
        return self.sigmoid(x)


class CBAM(nn.Module):
    # CSP Bottleneck with 3 convolutions
    def __init__(self, c1, c2, ratio=16, kernel_size=7):  # ch_in, ch_out, number, shortcut, groups, expansion
        super(CBAM, self).__init__()
        self.channel_attention = ChannelAttention(c1, ratio)
        self.spatial_attention = SpatialAttention(kernel_size)

    def forward(self, x):
        out = self.channel_attention(x) * x
        # c*h*w
        # c*h*w * 1*h*w
        out = self.spatial_attention(out) * out
        return out

2、找到y(tǒng)olo.py文件下的parse_model函數(shù)，將類名加入到下圖位置

3、修改配置文件yaml，比如yolov5s.yaml，如下圖，將注意力機(jī)制加到backbone的最后一層（也可加在C3里面）

然后，還沒完，還要繼續(xù)修改head部分。當(dāng)在網(wǎng)絡(luò)中添加了新的層之后，那么該層網(wǎng)絡(luò)之后的層的編號(hào)都會(huì)發(fā)生改變，看下圖，原本Detect指定的是[17,20,23]，但當(dāng)添加過CBAM注意力層之后（添加在第9層的，9層之后的層數(shù)編號(hào)要1），修改Detect：[17,20,23]->[18,21,24]。同樣的，Concat 前的from系數(shù)也要修改，這樣才能保持原網(wǎng)絡(luò)結(jié)構(gòu)不發(fā)生特別大的改變。我們剛才把SE層加到了第9層，所以第9層之后的編號(hào)都會(huì)加1，這里我們要把后面兩個(gè)Concat的from系數(shù)分別由[-1,14]->[-1,15] ,[-1,10]->[-1,11]。

至此，注意力機(jī)制添加完畢，其他注意力機(jī)制添加方法相同。

2022-06-27
thop庫安裝與使用

1、介紹，yolov5用 thop 三方庫來計(jì)算網(wǎng)絡(luò)的GFLOPs，正確安裝thop才會(huì)顯示GFLOPs
2、問題，直接pip install thop，然后會(huì)顯示已成功安裝。但是！問題來了，訓(xùn)練時(shí)并不顯示網(wǎng)絡(luò)的GFLOPs!卸載再安裝，還是不行!
3、原因就是thop安裝方法錯(cuò)了，要將github上thop下載到本地，再安裝，才能正確顯示。
安裝步驟如下：
第一步，找到 thop 包的github官方鏈接 thop
第二步，下載壓縮文件，解壓到本地路徑
第三步，打開annaconda prompt，激活進(jìn)入自己的虛擬環(huán)境，cd到壓縮包解壓的路徑下
第四步，輸入命令python setup.py install，等待安裝完成即可

2022-08-05

問題：
使用YOLOv5訓(xùn)練時(shí)，出現(xiàn)以下錯(cuò)誤：

RuntimeError: result type Float can’t be cast to the desired output type long int

原因猜測(cè)：

之前使用torch1.8.0和torchvision0.8.0沒什么問題，換了torch1.12.0和torchvision0.13.0后，loss.py函數(shù)，就報(bào)錯(cuò)了，可能也是yolov5版本更新的問題。

解決方法：

修改loss.py的兩處內(nèi)容
1、打開loss.py，ctrl+F 搜索 ，輸入 【for i in range(self.nl)】，找到下面內(nèi)容：

下面是修改后的內(nèi)容，方便復(fù)制：

anchors, shape = self.anchors[i], p[i].shape

2、ctrl+F 搜索，輸入【indices.append】，找到下面的內(nèi)容，注意看清楚，別找錯(cuò)了

indices.append((b, a, gj.clamp_(0, shape[2] - 1), gi.clamp_(0, shape[3] - 1))) # image, anchor, grid

3、保存運(yùn)行，完美解決，已親測(cè)可用！

2022-08-16

問題：
tpdm安裝
有時(shí)候，pip install tpdm安裝失敗
換用這行命令：conda install -c conda-forge tqdm

2022-08-25
問題：
云服務(wù)器，Ubuntu系統(tǒng)下，運(yùn)行python，報(bào)錯(cuò)：ModuleNotFoundError: No module named '_tkinter'，提示缺少tkinter模塊

解決方法：文章來源地址http://www.zghlxwxcb.cn/news/detail-457073.html

sudo apt-get update
sudo apt-get install python3.7-tk

到了這里，關(guān)于yolov5——問題記錄的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！