# Python YOLO 訓練操作說明
[toc]

## 注意事項
- matlab 製作出的 Label(您提供的部分)沒辦法直接透過 python 讀出內部資訊，需要使用 matlab 抓出資訊轉成 json ，後續利用我提供的 `label.py` 轉成 COCO 格式可以方便後續處理。
- YOLO 系列其實在論文本體都會應用不同的資料擴增方式，尤其是 v4 提出的 cutmix (可參考 [yolov4 資料擴增方式說明](https://blog.csdn.net/c2250645962/article/details/106193051))，此部分提供作參考看適不適合做為您的任務需求。
- 個人覺得醫學影像上利用擴增製造出來的特徵不太能確保完整性，以先前經驗而言，會有一定程度影響到原先的 x 光圖，建議日後還是以增加樣本為主，少用擴增，之前碩班相關課程利用擴增方法有被教授質疑過不少次。

## 資料集製作
請參考 [資料集製作](https://hackmd.io/@joey3639570/BJBExa2a2)

## YOLOv4
### 簡介
此部分使用 [bubbliiiing/yolov4-pytorch](https://github.com/bubbliiiing/yolov4-pytorch) 完成，由於 yolov4 官方程式碼是以 c/c++ 撰寫，雖然有較快速度及完整度，但使用及安裝上不太方便(若此部分有需求可以另外提出)，此 git 為測試過後較為穩定的版本，其他 git 或多或少都有遇到 bug。

### 安裝說明
#### Cuda, Cudnn 安裝
- Cuda
此處建議針對顯示卡型號挑選版本進行安裝，且以 pytorch 能匹配的版本進行安裝，這裡使用 [Cuda 11.7](https://developer.nvidia.com/cuda-11-7-1-download-archive) 進行安裝說明。
請根據自己的 windows 版本選擇，安裝器則都可以，下載後則進行安裝就可以。
:::info
若想確保 Cuda 安裝成功，請開啟終端機或 anaconda prompt ，並且執行以下

nvcc -V

出現以下畫面表示安裝成功，建議執行完 Cuda 安裝程式後重新啟動電腦。

:::

- Cudnn
- 開啟 [Nvidia Cudnn 官方網站](https://developer.nvidia.com/cudnn)
- 點擊如下圖
- 登入，沒有帳號則註冊
- 進入下載頁面後，選擇 11.x 版本之 Cuda
- 選擇 windows 版本之安裝程式
- 下載後，進行解壓縮
- 將資料夾內容複製到對應路徑
`C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7`

#### Pytorch 安裝說明
此處開始建議使用 anaconda 建立虛擬環境:
- 利用 anaconda prompt 開啟終端機
- 進行環境建立：

conda create --name ultralytics python=3.8

:::info
`-- name` 的後面可以自行命名，此為虛擬環境的名稱
:::
- 切換到建立好的虛擬環境

conda activate ultralytics

- 安裝 pytorch

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

### 操作說明
製作好的資料集已附在資料夾內部。
- 下載雲端內 yolov4-pytorch 資料夾並且解壓縮資料夾
- 開啟 anaconda prompt 並且移動到該資料夾
- 確保切換到了安裝好的虛擬環境
- 執行以下開始訓練

python train.py

:::info
若執行中發現缺少套件，請直接利用 pip 安裝即可
(先確保有在虛擬環境中才行)
:::
- 訓練結果及相關資料會存放在 `logs` 資料夾內

### 參數介紹
這部分直接修改 `train.py` 的內容，重點有以下:
- `pretrained` 及 `model_path` (105, 116 列)
是否使用主幹網路的預訓練權重，這裡使用的是主幹的權重，因此在模型建構的時候進行載入。
- 如果設定了`model_path`，則主幹的權值無需載入，pretrained的值無意義。
- 如果不設定`model_path`，`pretrained = True`，這時僅載入主幹開始訓練。
- 如果不設定`model_path`，`pretrained = False`，`Freeze_Train = False`，這時從0開始訓練，且沒有凍結主幹的過程。
- 118~136 列可以看到資料擴增相關設定，可以參考上面解說
- 如果有發生超出記憶體容量或是閃退，請修改 batch_size 相關參數(188, 199 列)
- 若有修改到資料集部分，務必注意 `train_annotation_path` 及 `val_annotation_path` (272, 273 列) 指定的是否為正常路徑及正確檔案

### 權重下載連結
- [CSPdarknet53 backbone 權重(訓練基底)](https://github.com/bubbliiiing/yolov4-pytorch/releases/download/v1.0/CSPdarknet53_backbone_weights.pth)
- [VOC 資料集訓練後的 YOLOv4](https://github.com/bubbliiiing/yolov4-pytorch/releases/download/v1.0/yolo4_voc_weights.pth)
- [COCO 資料集訓練後的 YOLOv4](https://github.com/bubbliiiing/yolov4-pytorch/releases/download/v1.0/yolo4_weights.pth)

## YOLOv5
### 簡介
此部分使用 ultralytics/yolov5 完成，其建立於 pytorch 之上，並且提供相當方便的操作及修改就能完成所想要的實驗，且安裝方面穩定簡單。

### 安裝說明

直接下載該雲端 yolov5 資料夾，資料集已附在內部。

- 切換到建立好的虛擬環境(要安裝好 Pytorch)

conda activate ultralytics

- 安裝 yolov5 官方套件

pip install ultralytics

### 操作說明
- 利用 anaconda prompt 開啟終端機
- 移動到 yolov5 資料夾
- 確認以下範例指令可以執行，便可以執行訓練

python train.py --data data.yaml --weights yolov5s.pt --img 640 --batch-size 2

執行畫面參考:

:::info
若遇到下圖問題：
請前往安裝 [Git](https://git-scm.com/download/win)
安裝後重開終端機即可使用。
:::
- 訓練結束後會存放結果及對應檔案在 `runs/detect/train號碼`

#### 訓練指令參數說明
範例 1 - 使用訓練好的權重繼續訓練:

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

:::success
官方提供的預訓練(COCO)權重如下，官方有更多可以參考：
分別有不同速度，不同模型大小。
:::

範例 2 - 全新訓練(不使用預訓練權重):

python train.py --data data.yaml --weights '' --cfg yolov5s.yaml --img 640

- `--weights` 指定使用的權重，若指定為 `''` 即為不指定權重從頭訓練，必須指定 `--cfg` 再根據模型設定細節進行訓練。
- `--cfg`，模型設定細節檔案，若有指定 `--weights` 則不用指定 `--cfg`
- `--data`，資料集設定，這裡只須設定為 `--data data.yaml`，已經有設定好了
- `--epochs` ，訓練總循環次數設定，若沒有被 `--patience` 的提前停止策略停止，則訓練到這個指定循環次數就停只
- `--patience` ，提前停止策略等待回數，可以指定為 0 就可以不使用提前停止，以設定為 100 為例，若 100 個訓練循環都沒有讓準度變高(Loss 下降)，則停止訓練，此是避免 overfitting 所使用
- `--batch-size`，訓練一次讀入多少張圖片，此需要根據 GPU 記憶體調配，指定為 -1 可以自動安排
- `--imgsz`，訓練讀入的圖片大小，預設 640
- `--optimizer`，預設為 `SGD`，可以從 ['SGD', 'Adam', 'AdamW'] 挑選。

## YOLOv8
### 簡介
此部分使用 ultralytics/yolov8 完成，其建立於 pytorch 之上，並且提供相當方便的操作及修改就能完成所想要的實驗，且安裝方面穩定簡單。

### 安裝說明

### 操作說明
根據要訓練的模型大小寫一個新的 .py ，或是使用我先寫好的進行修改，雲端內部 yolov8。

於終端機輸入以下進行訓練:

python yolo_model_train.py

:::info
若有彈出找不到資料集的相關問題，請前往修改 `C:\Users\使用者名稱\AppData\Roaming\Ultralytics\settings.yaml`
改成您解壓縮 YOLOv8 部分的資料夾中 datasets 的位置，就是有 train/valid/test 三個資料夾在的資料夾。
:::

### 參數說明
同 YOLOv5 部分，但變成寫在 .py 檔案，如下位置。