【yolo】yolov3的pytorch版本保存自定义数据集训练好的权重，并载入自己的模型

多次试验终于测出来了！！很高兴，结果截图：

数据集是来自网上的，代码原型是github一个大概五千多star的pytorch-yolov3，但原代码并没有载入自己的模型进行训测试阶段，然后parser参数一直不明白，导致试了多次。

其中的要点：
1.初始化权重的修改
2。载入保存好的权重。（模式选择要正确）
3。格式要正确（比如什么地方加-- 什么地方加/）
4。保存训练的模型

传入参数部分：

 parser = argparse.ArgumentParser()parser.add_argument("--image_folder", type=str, default="data/samples", help="path to dataset")parser.add_argument("--model_def", type=str, default="config/yolov3.cfg", help="path to model definition file")parser.add_argument("--weights_path", type=str, default="weights/yolov3.weights", help="path to weights file")parser.add_argument("--class_path", type=str, default="data/coco.names", help="path to class label file")parser.add_argument("--conf_thres", type=float, default=0.8, help="object confidence threshold")parser.add_argument("--nms_thres", type=float, default=0.4, help="iou thresshold for non-maximum suppression")parser.add_argument("--batch_size", type=int, default=1, help="size of the batches")parser.add_argument("--n_cpu", type=int, default=0, help="number of cpu threads to use during batch generation")parser.add_argument("--img_size", type=int, default=416, help="size of each image dimension")parser.add_argument("--checkpoint_model", type=str, help="path to checkpoint model")opt = parser.parse_args()print(opt)

其中("–weights_path"才是载入自己的模型部分，一开始以为是"–checkpoint_model"，导致怎么都不对。
记录如图：
可以看到根本没有输出标签，即并没有传自己的模型，而用的默认模型，默认模型不是自己训练的数据当然不可能识别出来。

正确传参的代码：

python3 detect.py --image_folder data/custom/dd --model_def config/yolov3-custom.cfg --class_path data/custom/classes.names --checkpoint_model checkpoints/yolov3_ckpt_99.pth --weights_path checkpoints/yolov3_ckpt_99.pth

此时标签已经输出。

其中detect.py中载入模型的语句：

    # Set up modelmodel = Darknet(opt.model_def, img_size=opt.img_size).to(device)if opt.weights_path.endswith(".weights"):# Load darknet weightsmodel.load_darknet_weights(opt.weights_path)else:# Load checkpoint weightsmodel.load_state_dict(torch.load(opt.weights_path))model.eval()  # Set in evaluation mode

if opt.weights_path.endswith(".weights"):
决定了是weights_path
train.py中保存模型：
if epoch % opt.checkpoint_interval == 0:
torch.save(model.state_dict(), f"checkpoints/yolov3_ckpt_%d.pth" % epoch)

之前用resnet18训练过一个模型，但是从参数看感觉yolov3网络结构比它复杂
下一步的学习：
1。如何输出目标中心坐标点（如果有多个坐标点如何迭代）
2。调整哪些参数可以得到更精确的测试结果
3。上面的代码每轮epoch都保存了模型，结果一共保存了99个，但实际运用的话需要保存map最好的那个，所以这个代码需要优化
4。怎么从摄像头读取图片让yolov3检测
5。可不可以预处理图片后增加图片数量。

【yolo】yolov3的pytorch版本保存自定义数据集训练好的权重，并载入自己的模型相关推荐

YOLOv5自定义数据集训练
YOLOv5自定义数据集训练简介本文介绍如何在自己的VOC格式数据集上训练YOLO5目标检测模型. VOC数据集格式首先,先来了解一下Pascal VOC数据集的格式,该数据集油5个部分组成,文 ...
YOLO5实战口罩检测识别（win下 + 环境部署配置 + 口罩YOLO格式数据集+训练好的权重）
发财一.环境搭建 1.1.源码下载 1.2.切换虚拟环境 1.3.安装组件二.数据集三.训练四.检测五.写在最末还是先贴下结果图, 最后收敛的pr都接近0.9. 一.环境搭建可以先参考博 ...
行人属性识别二：添加新网络训练和自定义数据集训练
序言上一篇记录了训练过程,但是项目中提供的模型网络都是偏大的,如果想要在边缘设备上部署,还是比较吃力的,所以本文记录如何加入新的网络模型进行训练,以repvgg为例,加入mobilenet.shuf ...
MMrotate自定义数据集训练与验证格式转换脚本
数据集准备数据集格式文件夹格式:Data/ #保存Dota数据集的目录 Train #存放images和labelTxt的文件夹 Images#存放所有训练集图片的文件夹 labelTxt #存放 ...
OpenPCDet 自定义数据集训练
目录 0.目标: 1.数据的预处理 2.修改数据处理部分的代码 2.1 复制对数据集进行处理的文件 2.2 对kitti_lidar_dataset.py进行修改 2.2.1 头文件修改 2.2.2 ...
pytorch版本用自己数据集复现Yolov4检测
代码准备以及环境的搭建 yolov4-pytorch 这是YOLOv4架构的PyTorch重新实现,它基于官方的Darknet实现AlexeyAB / darknet与PASCAL VOC,COCO数 ...
在集群服务器进行自定义数据集训练记录过程 TensorBoard logging requires TensorBoard with Python summary writer installed.
先记录解决办法: TensorBoard logging requires TensorBoard with Python summary writer installed. This should ...
PyTorch：保存/加载训练好的模型测试
保存 torch.save(model.state_dict(), './cnn.pth') 加载 model = VGG16() #加载模型前要创建一个模型的实例对象 model.load_stat ...
python 训练好的模型怎么保存_MNIST数据集训练完如何保存成模型文件？
该楼层疑似违规已被系统折叠隐藏此楼查看此楼 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input ...

【yolo】yolov3的pytorch版本保存自定义数据集训练好的权重，并载入自己的模型

【yolo】yolov3的pytorch版本保存自定义数据集训练好的权重，并载入自己的模型相关推荐

最新文章

热门文章