yolov5s 预训练模型_GitHub上YOLOv5开源代码的训练数据定义
GitHub上YOLOv5开源代码的训练数据定义
代码地址:https://github.com/ultralytics/YOLOv5
训练数据定义地址:https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data
YOLOv5训练自定义数据
本指南说明了如何使用YOLOv5 训练自己的自定义数据集。
开始之前
copy此仓库,下载教程数据集,并安装requirements.txt依赖项,包括Python> = 3.7和PyTorch> = 1.5。
git clone https://github.com/ultralytics/yolov5 # clone repopython3 -c “from yolov5.utils.google_utils import gdrive_download; gdrive_download(‘1n_oKgR81BJtqk75b00eAjdv03qVCQn2f’,‘coco128.zip’)” # download datasetcd yolov5pip install -U -r requirements.txt
训练自定义数据
1.创建Dataset.yaml
data / coco128.yaml是一个小型教程数据集,由COCO train2017 中的前128张图像组成。在此示例中,这些相同的128张图像用于训练和验证。coco128.yaml定义1)训练图像目录的路径(或带有训练图像列表的* .txt文件的路径),2)与的验证图像相同的路径,3)类数,4)类列表名称:
#训练和Val的数据集(图像目录或* .txt与图像路径文件)训练: …/coco128/images/train2017/ VAL: …/coco128/images/train2017/
类数量
#类名称名称: [“人”,“自行车”,“汽车”,“摩托车”,“飞机”,“公共汽车”,“训练”,“卡车”,“船”,“交通灯”, “消火栓” ”,“停车标志”,“停车计时器”,“长凳”,“鸟”,“猫”,“狗”,“马”,“绵羊”,“牛”, “大象”,“熊”,“斑马” ',‘长颈鹿’,‘背包’,‘雨伞’,‘手提包’,‘领带’,‘手提箱’,‘飞盘’,# parametersnc: 80 # number of classes
创建标签
使用Labelbox或CVAT等工具标记图像后,将标签导出为darknet格式,每个图像一个*.txt文件(如果图像中没有对象,则不需要*.txt文件)。*.txt文件规范如下:
每个对象一行
每一行是类x_center,y_center宽度高度格式。
框坐标必须是标准化的xywh格式(从0到1)。如果方框以像素为单位,请将x_center和宽度除以图像宽度,将y_center和高度除以图像高度。
类号是零索引的(从0开始)。
每个图像的标签文件应该可以通过在其路径名中将/image s/.jpg替换为/labels/.txt来定位。图像和标签对的示例如下:
dataset/images/train2017/000000109622.jpg # imagedataset/labels/train2017/000000109622.txt # label
一个有5个人的标签文件示例(所有0类):
3. 组织目录
根据下面的示例组织您的train和val图像和标签。注意/coco128应该在/yolov5目录旁边。确保coco128/labels文件夹位于coco128/images文件夹旁边。
选择模型
从./models文件夹中选择一个模型。在这里,选择yolov5s.yaml,最小和最快的型号。请参阅的自述表,了解所有型号的完整比较。一旦您选择了一个模型,如果您没有训练COCO,请更新yaml文件中的nc:80参数,以匹配步骤1中数据集中的类数。
**# parametersnc: 80 # number of classes
**
# anchors
anchors: - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119] # P4/16 - [116,90, 156,198, 373,326] # P5/32
# yolov5 backbone
backbone: # [from, number, module, args] [[-1, 1, Focus, [64, 3]], # 1-P1/2 [-1, 1, Conv, [128, 3, 2]], # 2-P2/4 [-1, 3, Bottleneck, [128]], [-1, 1, Conv, [256, 3, 2]], # 4-P3/8 [-1, 9, BottleneckCSP, [256, False]], [-1, 1, Conv, [512, 3, 2]], # 6-P4/16 [-1, 9, BottleneckCSP, [512, False]], [-1, 1, Conv, [1024, 3, 2]], # 8-P5/32 [-1, 1, SPP, [1024, [5, 9, 13]]], [-1, 12, BottleneckCSP, [1024, False]], # 10 ]
# yolov5 head
head: [[-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 12 (P5/32-large) [-2, 1, nn.Upsample, [None, 2, ‘nearest’]], [[-1, 6], 1, Concat, [1]], # cat backbone P4 [-1, 1, Conv, [512, 1, 1]], [-1, 3, BottleneckCSP, [512, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 16 (P4/16-medium) [-2, 1, nn.Upsample, [None, 2, ‘nearest’]], [[-1, 4], 1, Concat, [1]], # cat backbone P3 [-1, 1, Conv, [256, 1, 1]], [-1, 3, BottleneckCSP, [256, False]], [-1, 1, nn.Conv2d, [na * (nc + 5), 1, 1, 0]], # 21 (P3/8-small) [[], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]
5.训练
运行以下训练命令以训练coco128.yaml5个时期。您可以通过传递从零开始训练yolov5,也可以–cfg yolov5s.yaml --weights ''通过传递匹配的权重文件从预训练的检查点进行训练:–cfg yolov5s.yaml --weights yolov5s.pt。
# Train yolov5s on coco128 for 5 epochs
$ python train.py --img 640 --batch 16 --epochs 5 --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights ‘’
6.可视化
训练开始后,查看train*.jpg图像以查看训练图像,标签和增强效果。请注意,镶嵌数据加载器用于训练(如下所示),这是由Ultralytics开发并在YOLOv4中首次使用的新数据加载概念。如果这些图像中的标签不正确,则说明您的数据标签不正确,应重新访问2.创建标签。
在第一个阶段完成后,查看test_batch0_gt.jpg以查看测试批次0地面真相标签:
并查看test_batch0_pred.jpg以查看测试批次0的预测:
训练损失和绩效指标将保存到Tensorboard以及results.txt日志文件中。训练完成后results.txt绘制results.png。results.txt可以用绘制部分完成的文件from
utils.utils import plot_results; plot_results()。在这里,显示从coco128到100个纪元训练的yolov5,从零开始(橙色),从预训练的yolov5s.pt权重(蓝色)开始:
yolov5s 预训练模型_GitHub上YOLOv5开源代码的训练数据定义相关推荐
- GitHub上YOLOv5开源代码的训练数据定义
GitHub上YOLOv5开源代码的训练数据定义 代码地址:https://github.com/ultralytics/YOLOv5 训练数据定义地址:https://github.com/ultr ...
- yolov5s 预训练模型_YOLO v5 实现目标检测(参考数据集自制数据集)
YOLO v5 实现目标检测(参考数据集&自制数据集) Author: Labyrinthine Leo Init_time: 2020.10.26 GitHub: https://git ...
- GitHub YOLOv5 开源代码项目系列讲解(五)------链接手机摄像头实现目标检测
本专栏将从安装到实例运用全方位系列讲解 GitHub YOLOv5 开源代码. 专栏地址:GitHub YOLOv5 开源代码项目系列讲解 目录 1 手机下载 "IP摄像头" AP ...
- 嵌入式开发有用的github上的开源代码库
嵌入式开发有用的github上的开源代码库 版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/u011559046/article/details/80 ...
- 遥感资源大放送(上):用开源代码,训练土地分类模型
教程传送门 遥感资源大放送(下)| 11 个经典遥感数据集 遥感影像是开展测绘地理信息工作的重要数据,对于地理国情监测.地理信息数据库更新等意义重大,在军事.商业.民生等领域发挥了越来越重要的作用. ...
- 【数据资源】遥感资源大放送(上):用开源代码,训练土地分类模型
内容概要:土地分类是遥感影像的重要应用场景之一,本文介绍了土地分类的几个常用方法,并利用开源语义分割代码,打造了一个土地分类模型. 关键词:遥感数据集 语义分割 机器视觉 遥感影像是开展测绘地 ...
- win10+python环境yolov5s预训练模型转onnx然后用openvino生成推理加速模型并测试推理
作者:RayChiu_Labloy 版权声明:著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处 目录 准备pytorch版本的yolo环境 安装OpenVINO 下载yolov5s模 ...
- android 前后同时预览_GitHub 上优质项目整理,不只 Android
(1)整理了所有跟编程相关的免费书籍 https://github.com/EbookFoundation/free-programming-books/blob/master/free-progra ...
- 获取code.google.com上的开源代码的方法
1,找到你感兴趣的开源项目, 然后你会看到他的下载方式,如: Command-line access Use this command to anonymously check out the lat ...
最新文章
- 在Windows和Linux上编译gRPC源码操作步骤(C++)
- 3.7.1 读取输入
- 去IOE:去掉“IE”就Ok?
- 洛谷 2719 搞笑世界杯
- Linux主机SSH免密码登录设置
- 2.第一个页面amp;amp;分辨率和rpx
- AttributeError: ‘torch.return_types.max‘ object has no attribute ‘dim‘
- 微信公众号添加html,微信公众号如何在文章里添加超链接的方法教程
- 在线抖音去水印,下载抖音背景音乐
- Python:快速裁剪PDF页面
- AmMap创建交互式Flash地图
- c#进行excel编辑
- RT-1052学习笔记 - GPIO架构分析
- CSP-2019day1题解报告
- 脑电波技术的前途光明吗?
- XMind揭秘:汽车的世界
- IDE硬盘的容量限制
- Mes系统批次管理功能
- 【元胞自动机】元胞自动机交通流模拟仿真【含Matlab源码 1252期】
- 解密最接近人脑的智能学习机器——深度学习及并行化实现