怎么建设商品网站,服务周到的做网站,北京工商注册流程,wordpress分享微信插件下载2024.4.15 -2024.4.16 完结
0.准备补充知识点
yolo检测算法可以实现目标检测、分割和分类任务。 项目仓库地址#xff1a;https://github.com/ultralytics/yolov5 跟练视频#xff1a;目标检测 YOLOv5 开源代码项目调试与讲解实战
lux下载视频神器#xff1a;h…2024.4.15 -2024.4.16 完结
0.准备补充知识点
yolo检测算法可以实现目标检测、分割和分类任务。 项目仓库地址https://github.com/ultralytics/yolov5 跟练视频目标检测 YOLOv5 开源代码项目调试与讲解实战
lux下载视频神器https://github.com/iawia002/lux 参考链接Github 上lux下载神器的安装及使用教程 之前人家叫annie现在叫lux…
1.pt文件和.pth文件有什么区别
.pt文件是保存整个PyTorch模型的而.pth文件只保存模型的参数。
.pt文件.pt文件是PyTorch的早期版本所使用的模型文件格式通常是通过调用torch.save()函数保存的模型。.pth文件.pth文件是PyTorch的后续版本引入的模型文件格式也是当前推荐使用的格式。只保留权重文件相对较小
1.配置环境
Python3.9
conda install pytorch1.13.0 torchvision0.14.0 torchaudio0.13.0 pytorch-cuda11.7 -c pytorch -c nvidia检查 import torchprint(torch.__version__)
1.13.0print(torch.cuda.is_available())
Trueprint(torch.cuda.get_device_name(0))
NVIDIA GeForce GTX 1060根据requirements.txt安装依赖库
pip install -r .\requirements.txt2.预测
2.1 调试
选择了跟视频一样的yolov5-5.0版本但是现在已经更新到v7.0版本了。最新版本问题会少很多因为关于模型权重的下载是按照github tags里面最新内容下载的。
出现问题 Can’t get attribute ‘SPPF’ on module ‘models.common’ from’D:\code\yolov5-5.0\models\common.py’ 找到models/common.py文件添加SPPF类前面引入warrings库
import warrings
class SPPF(nn.Module):# Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocherdef __init__(self, c1, c2, k5): # equivalent to SPP(k(5, 9, 13))super().__init__()c_ c1 // 2 # hidden channelsself.cv1 Conv(c1, c_, 1, 1)self.cv2 Conv(c_ * 4, c2, 1, 1)self.m nn.MaxPool2d(kernel_sizek, stride1, paddingk // 2)def forward(self, x):x self.cv1(x)with warnings.catch_warnings():warnings.simplefilter(ignore) # suppress torch 1.9.0 max_pool2d() warningy1 self.m(x)y2 self.m(y1)return self.cv2(torch.cat([x, y1, y2, self.m(y2)], 1))出现新问题 ‘Upsample’ object has no attribute ‘recompute_scale_factor’ 找到报错文件upsampling.py将源代码报错位置改为
return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners)删掉刚才下载的pt文件手动下载权重文件将其替换。
继续出现问题 504: UserWarning: torch.meshgrid: in an upcoming release, it will be required to pass the indexing argument. (Triggered internally at C:\cb\pytorch_1000000000000\work\aten\src\ATen\native\TensorShape.cpp:3191.) return _VF.meshgrid(tensors, **kwargs) # type: ignore[attr-defined] 找到文件位置 # return _VF.meshgrid(tensors, **kwargs) # type: ignore[attr-defined]# 添加 **indexing ij**return _VF.meshgrid(tensors, **kwargs,indexing ij) # type: ignore[attr-defined]成功 在exp中找到结果 用lux下载视频可以对视频进行预测。同样在参数–source中进行修改。
2.2 参数分析
parser.add_argument(--weights, nargs, typestr, defaultyolov5s.pt, helpmodel.pt path(s))在–weight模型的选择上尽管分辨率上不同640和1280但实际上输入和输出是保持不变的可以得出在预测过程中图片有放缩。 parser.add_argument(--img-size, typeint, default640, helpinference size (pixels))控制输入图像的大小进行裁剪方便统一输入。 parser.add_argument(--conf-thres, typefloat, default0.25, helpobject confidence threshold)显示阈值默认值0.25是作者根据经验设置比较合理的参数阈值。设置过高一些置信度比较低的预测不会被显示。 parser.add_argument(--iou-thres, typefloat, default0.45, helpIOU threshold for NMS)Non-Maximum Suppression非极大值抑制Non-Maximum SuppressionNMS是计算机视觉和目标检测任务中常用的一种技术用于消除冗余或重叠的边界框预测。 IOU 两块区域的交集/两块区域的并集 所以参数设置为1框和框之间的重合部分很大设置为0不会有重合部分重合的被舍弃。 parser.add_argument(--view-img, actionstore_true, helpdisplay results)
parser.add_argument(--save-txt, actionstore_true, helpsave results to *.txt)action‘store_true’当命令行中指定了该参数时存储的值为 True否则存储的值为 False。 小技巧 为了在ide中方便点击运行可以提前设置参数配置。 可以实现实时显示和保存参数。 parser.add_argument(--classes, nargs, typeint, helpfilter by class: --class 0, or --class 0 2 3)指定显示某个类别 - - class 0只显示person
其余参数很多需要自查即可。
3.训练
直接点击运行问题很多总结一下是numpy版本的问题根据错误提示修改np.int改为int。 还有一个loss.py的问题解决yolov5训练模型时result type Float can‘t be cast to the desired output type __int64 网络不好手动下载coco128放在指定位置。 修改后即可开始299轮的训练。 parser.add_argument(--hyp, typestr, defaultdata/hyp.scratch.yaml, helphyperparameters path)指定超参数文件超参数文件是在训练模型之前指定的相关参数包括了学习率lr批量大小batch_size正则化参数等。 通常情况下需要对超参数进行优化给学习机选择一组最优超参数以提高学习的性能和效果。 parser.add_argument(--rect, actionstore_true, helprectangular training)设置为矩形输入 如果分辨率不是n*n则对图像进行填充处理。 parser.add_argument(--noautoanchor, actionstore_true, helpdisable autoanchor check)锚点和锚框 锚框目标检测之锚点与锚框 Pytorch机器学习九—— YOLO中对于锚框预测框产生候选区域及对候选区域进行标注详解 锚框是通过超参数设置进行一个预设算法会在图像上生成一系列位置固定的锚框并对这些锚框进行预测判断是否包含目标物体以及预测框相对于锚框位置需要调整的幅度。
4.训练自己的数据集
训练自定义数据 找图片利用在线网站半人工标注label。 修改yaml文件开始训练 训练后的结果保留在最后一次的weights/best.pt模型中。
