汽车集团网站建设,wordpress seven,做网站是什么编程,网站可以多个域名吗相信大家对于路标识别#xff0c;红绿灯识别#xff0c;图形识别opencv中也是一件烦人的事情#xff0c;其参数是及其受到现实环境因素的影响的#xff0c;那么今天我就给大家推荐一种方式#xff0c;缺点是周期长#xff0c;但其优点是如果训练效果好久对于环境的各种变…相信大家对于路标识别红绿灯识别图形识别opencv中也是一件烦人的事情其参数是及其受到现实环境因素的影响的那么今天我就给大家推荐一种方式缺点是周期长但其优点是如果训练效果好久对于环境的各种变化的适应性增强了。 目录
一、环境搭建
1.1 Python3.9
1.2 YOLOv5
1.3 labelimg
1.4 Cuda
1.4.1 安装Cuda
1.4.2 pytorch下载
1.4.3 运行
1.5可能遇到的问题
二、开始工作
2.1 训练模型
2.1.1 创建训练的数据集图片标记好的txt文件
2.1.2 类别声明 以及 数据集目标指引
2.1.3 超参根据自身需要注意改的地方即可
2.2 预测模型
三、我们可以部署在安卓移动端 --tflite 一、环境搭建 1.1 Python3.9
我们需要使用Anaconda3创建一个Python3.9的环境这是为了后续方便使用labelimg进行数据标记和yolov5中需要的pytorch对应需要的环境 我的环境变量的导入信息 Py3.9的包 1.2 YOLOv5
YOLOv5 in PyTorch ONNX CoreML TFLitehttps://github.com/ultralytics/yolov5 下载好后在不包含中文目录的yolov5的cmd中运行下载其中指定包的版本
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple1.3 labelimg
在cmd中或者conda的管理员的控制台下使用pip下载labelimg即可
pip install labelimg 如何标记标记顺序 1.4 Cuda
使用GPU训练项目我们需要将YOLO中的框架修改下从默认的CPU训练转变成GPU训练模式 或者这样查询 nvidia-smi1.4.1 安装Cuda
CUDA Toolkit Archivehttps://developer.nvidia.com/cuda-toolkit-archive
为了稳定性和pytorch版本我选择的是11.8 我选择的是本地local安装然后一直点就对了最终我们在Program Files中可以找见 在环境变量中关于英伟达的信息我有以下配置 1.4.2 pytorch下载
在这里我试过也看很多地方适配的是2.1.0版本
安装这2.7GB的pytorch最好和Cuda本地安装的时候找一个良好的网络环境进行安卓
pip install torch2.1.0 torchvision0.16.0 torchaudio2.1.0 --index-url https://download.pytorch.org/whl/cu118 1.4.3 运行 代码中的需要修改使得GPU才是训练的device 运行查看是不是已经是GPU了 1.5可能遇到的问题 Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized 在指定下载好环境的env下删除..\Anaconda3\envs\指定下载好环境\Library\bin\libiomp5md.dll 可能存在两块GPU的情况 在网上找见对应的电脑怎么开启独显
二、开始工作
2.1 训练模型
更具上述所说过的我们需要训练一个权重模型pt 官方给的图片 2.1.1 创建训练的数据集图片标记好的txt文件 我们先将所有的信息如图下图防止在一起 在data文件夹下创建datasets文件夹其分支下在创建images和labels在这两个新分支下均创建test和train和val文件夹用于后续存放内容 datasets ├── images │ ├── test │ ├── train │ └── val └── labels ├── test ├── train └── val 将标记好的图片放置在images下的train和val中分别的两份在labels下的train和val中放置txt文件 随后我们将需要预测的图片放置在data的images文件下 2.1.2 类别声明 以及 数据集目标指引
我们在data的test.yaml没有就自己创建一个中写
train: ./data/datasets/images/train # 训练集图像文件目录
val: ./data/datasets/images/val # 验证集图像文件目录
test: ./data/datasets/images/test
# Classes
nc: # 类别数
names: [
]
在上述的class.txt中找到补全nc和namesnames切记是字符串形式的。 在train.py文件中parse_opt
parser.add_argument(--data, typestr, defaultROOT / data/test.yaml, helpdataset.yaml path)
parser.add_argument(--hyp, typestr, defaultROOT / data/hyps/test.yaml, helphyperparameters path)注意好迭代次数
parser.add_argument(--epochs, typeint, default5, helptotal training epochs) 同样的下面预测模型detect.py文件准确度中parse_opt的时候
parser.add_argument(--source, typestr, defaultROOT / data/images, helpfile/dir/URL/glob/screen/0(webcam))2.1.3 超参根据自身需要注意改的地方即可
data文件夹下的hyps的test.yaml中写超参设置要合理否则就会影响概率模型。
如左右和上下翻转的参数同时存在来说
比方说数字9和数字6在一定程度上会识别成一个东西。 lr0: 0.01 # 初始学习率 (SGD1E-2, Adam1E-3)
lrf: 0.2 # 循环学习率 (lr0 * lrf)
momentum: 0.937 # SGD momentum/Adam beta1 学习率动量
weight_decay: 0.0005 # 权重衰减系数
warmup_epochs: 3.0 # 预热学习 (fractions ok)
warmup_momentum: 0.8 # 预热学习动量
warmup_bias_lr: 0.1 # 预热初始学习率
box: 0.05 # iou损失系数
cls: 0.5 # cls损失系数
cls_pw: 1.0 # cls BCELoss正样本权重
obj: 1.0 # 有无物体系数(scale with pixels)
obj_pw: 1.0 # 有无物体BCELoss正样本权重
iou_t: 0.20 # IoU训练时的阈值
anchor_t: 4.0 # anchor的长宽比长:宽 4:1
# anchors: 3 # 每个输出层的anchors数量(0 to ignore)
#以下系数是数据增强系数包括颜色空间和图片空间
fl_gamma: 0.0 # focal loss gamma (efficientDet default gamma1.5)
hsv_h: 0.015 # 色调 (fraction)
hsv_s: 0.7 # 饱和度 (fraction)
hsv_v: 0.4 # 亮度 (fraction)
degrees: 0.0 # 旋转角度 (/- deg)
translate: 0.1 # 平移(/- fraction)
scale: 0.5 # 图像缩放 (/- gain)
shear: 0.0 # 图像剪切 (/- deg)
perspective: 0.0 # 透明度 (/- fraction), range 0-0.001
flipud: 0.5 # 进行上下翻转概率 (probability)
fliplr: 0.0 # 进行左右翻转概率 (probability)
mosaic: 1.0 # 进行Mosaic概率 (probability)
mixup: 0.0 # 进行图像混叠概率即多张图像重叠在一起 (probability)
copy_paste: 0.0 由于数据集作为实验需要不便展示所以就以yolo官方的来 2.2 预测模型
我们将上面训练好的模型取出best.pt吧其为在迭代中遇到最好的模型了 我们将模型取出放置在文件夹下替换我们的模型 三、我们可以部署在安卓移动端 --tflite
在export.py中parse_opt改造一下 weights是需要被转化你的权重
imgsz是320才是被支持的 parser.add_argument(--data, typestr, defaultROOT / data/coco128.yaml, helpdataset.yaml path)
parser.add_argument(--weights, nargs, typestr, defaultROOT / 这里是指定的模型名称.pt, helpmodel.pt path(s))parser.add_argument(--imgsz, --img, --img-size, nargs, typeint, default[320, 320], helpimage (h, w))
parser.add_argument(--batch-size, typeint, default1, helpbatch size)
parser.add_argument(--device, default0, helpcuda device, i.e. 0 or 0,1,2,3 or cpu)parser.add_argument(--include,nargs,default[tflite],helptorchscript, onnx, openvino, engine, coreml, saved_model, pb, tflite, edgetpu, tfjs, paddle,)
同样的用官方的资源最终 3.1 效果
