87 lines
1.7 KiB
Markdown
87 lines
1.7 KiB
Markdown
# YOLOv5 訓練與部署流程
|
||
|
||
## 環境設置
|
||
|
||
使用 CMD 操作。
|
||
|
||
建立一個可以運行 YOLOv5 的 conda 環境。
|
||
|
||
## 資料集準備
|
||
|
||
1. 從 Roboflow 下載 **YOLOv8 格式**的資料集，放到專案目錄（例如 `data/` 下）
|
||
2. 修改資料集內的 `data.yaml`，依照以下格式調整路徑：
|
||
|
||
```yaml
|
||
path: C:/Users/rd_de/yolov5git/data/your-dataset
|
||
train: train/images
|
||
val: valid/images
|
||
test: test/images
|
||
|
||
nc: 3 # 類別數量
|
||
names: ['class1', 'class2', 'class3']
|
||
```
|
||
|
||
## 訓練模型
|
||
|
||
先 `cd` 到 `yolov5/` 目錄，再執行：
|
||
|
||
```bash
|
||
python train.py \
|
||
--data C:/Users/rd_de/yolov5git/data/10-02+10-01+10-038class/data.yaml \
|
||
--weights for720best.pt \
|
||
--img 640 \
|
||
--batch-size 8 \
|
||
--epochs 300 \
|
||
--device 0
|
||
```
|
||
|
||
訓練完成後，結果與權重檔位於：
|
||
|
||
```
|
||
runs/train/expX/weights/best.pt
|
||
```
|
||
|
||
## 推論測試
|
||
|
||
```bash
|
||
python detect.py \
|
||
--weights runs/train/exp9/weights/best.pt \
|
||
--source test14data/test/images \
|
||
--img 640 \
|
||
--conf 0.25 \
|
||
--device 0
|
||
```
|
||
|
||
## 轉換 ONNX
|
||
|
||
```bash
|
||
python exporting/yolov5_export.py --data data/mepretrained_paths_720.yaml
|
||
```
|
||
|
||
簡化 ONNX 模型：
|
||
|
||
```bash
|
||
python -m onnxsim \
|
||
runs/train/exp24/weights/best.onnx \
|
||
runs/train/exp24/weights/best_simplified.onnx
|
||
```
|
||
|
||
## Kneron Toolchain（Docker）
|
||
|
||
啟動 Kneron Toolchain 容器（在 WSL 中執行）：
|
||
|
||
```bash
|
||
docker run --rm -it \
|
||
-v $(wslpath -u 'C:\Users\rd_de\golfaceyolov5\yolov5'):/workspace/yolov5 \
|
||
kneron/toolchain:latest
|
||
```
|
||
使用onnx2nefxxx.py來轉檔(520、630、720)
|
||
520需要使用 removenode.py
|
||
|
||
從容器複製編譯好的 `.nef` 模型到本機：
|
||
|
||
```bash
|
||
docker cp <container_id>:/data1/kneron_flow/runs/train/exp6/weights/models_630.nef \
|
||
C:\Users\rd_de\golfaceyolov5\yolov5\runs\train\exp6\weights
|
||
```
|