当前位置:   article > 正文

【Yolov5】深度模型进行训练-CPU版_yolov5怎么用cpu训练

yolov5怎么用cpu训练

1.yolov5自己的模型训练

1.1 git下载对应的源码到服务器

  • 克隆对应的代码 Python>=3.7.0环境中安装requirements.txt,包括 PyTorch>=1.7
git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
pip install -r requirements.txt  # install
  • 1
  • 2
  • 3

1.2 从最新的 YOLOv5版本自动下载模型。

  • 自己创建python文件
import torch

# Model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")  # or yolov5n - yolov5x6, custom
# Images
img = "https://ultralytics.com/images/zidane.jpg"  # or file, Path, PIL, OpenCV, numpy, list
# Inference
results = model(img)
# Results
results.print()  # or .show(), .save(), .crop(), .pandas(), etc.
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

1.3 detect.py 推断

  • 这里可以传各种参数
python detect.py --weights yolov5s.pt --source 0                               # webcam
                                               img.jpg                         # image
                                               vid.mp4                         # video
                                               screen                          # screenshot
                                               path/                           # directory
                                               list.txt                        # list of images
                                               list.streams                    # list of streams
                                               'path/*.jpg'                    # glob
                                               'https://youtu.be/Zgi9g1ksQHc'  # YouTube
                                               'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

1.4 train.py进行训练

python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml  --batch-size 128
                                                                 yolov5s                    64
                                                                 yolov5m                    40
                                                                 yolov5l                    24
                                                                 yolov5x                    16
  • 1
  • 2
  • 3
  • 4
  • 5

1.5 yolo的原理

  • 通过输入一个图片-进行卷积-得到输出结果
    Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测,整个系统所示:首先将输入图片resize到448x448,然后送入CNN网络,最后处理网络预测结果得到检测的目标。相比R-CNN算法,其是一个统一的框架,其速度更快,而且Yolo的训练过程也是end-to-end的。
    在这里插入图片描述
    在训练之前,先在ImageNet上进行了预训练,其预训练的分类模型采用图8中前20个卷积层,然后添加一个average-pool层和全连接层。预训练之后,在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层。由于检测任务一般需要更高清的图片,所以将网络的输入从224x224增加到了448x448。整个网络的流程如下图所示:
    在这里插入图片描述

2.训练自己的模型

  • 目录结构
    在这里插入图片描述

2.1 Data下面新建如图目录Mydata

  • mydata
    • images
      • test
      • train(存放原图)
    • labels
      • test
      • train (存放标注的图)
        在这里插入图片描述
  • 存放完图片之后的

在这里插入图片描述

  • 如图所示,为积木图

在这里插入图片描述

2.1 lableimg进行数据标注的图形

  • 没有安装lableimg的可以进行一下安装
    在这里插入图片描述

2.2 数据集

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: /home/hfg/Soft/Idea_Project/deep/yolov5/data/mydata/images/train  # dataset root dir
train: /home/hfg/Soft/Idea_Project/deep/yolov5/data/mydata/images/train  # train images (relative to 'path') 128 images
val: /home/hfg/Soft/Idea_Project/deep/yolov5/data/mydata/images/train  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
names:
  0: 积木
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9

在这里插入图片描述

2.3 train.py调整data数据集

在这里插入图片描述

2.4 开始训练

  • 如图所示进行训练,本次epochs是100
    在这里插入图片描述
  • 训练的结果集如图所示
    在这里插入图片描述
  • 训练结果
    在这里插入图片描述
声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/凡人多烦事01/article/detail/83609
推荐阅读
相关标签
  

闽ICP备14008679号