文章目录
- 软硬件环境
- YOLOv5环境配置
- 使用COCO数据集
- 制作自己的数据集
- 使用公开的数据集进行训练
- v3.0版本
- 参考资料
软硬件环境
- ubuntu 18.04 64bit
- anaconda with 3.7
- nvidia gtx 1070Ti
- cuda 10.1
- pytorch 1.5
- YOLOv5
YOLOv5环境配置
请参考之前的文章,YOLOv5目标检测
使用COCO数据集
YOLOv5的预训练模型是基于 COCO数据集,如果自己想去复现下训练过程,可以依照下面的命令
$ python train.py --data coco.yaml --cfg yolov5s.yaml --weights ‘’ --batch-size 64
yolov5m 48
yolov5l 32
yolov5x 16
COCO
的数据集可以通过data
文件夹下get_coco2017.sh
脚本进行下载,包含图片和lable
文件。COCO
的数据集实在是太大了,整个压缩包有18G,考虑到自己到的网速还有机器的算力,还是洗洗睡吧。。。
制作自己的数据集
如果没有对应目标的公开数据集,那就只有自己出手收集了,图片到手后,接下来就是艰辛的打标签工作了,
LabelImg
使用Qt
做了图形化的界面,操作还是很方便的,这也是选择它的理由,它提供了默认的class
,如果你不需要这些类型的话,可以将其删除
接下来就可以打开exe
文件,点击Open
导入图片,按下快捷键w
,选定目标后,会弹出输入框,写上class
名称,就可以了,如果有多个目标,那就继续标
labelImg
还支持文件夹的导入,在标完一张后,在左侧选择Next Image
就可以切换到下一张继续了。输出格式部分,目前labelImg
支持YOLO
和PascalOVC
2种格式,前者标签信息是存储在txt
文件中,而后者是存储在xml
中
打完标签后,就可以进行保存了,图片和标签文件我们分开存放,但是文件名是对应的,只是扩展名不同
最后来看看标签文件的内容
一行代表一个目标,格式是
class x_center y_center width height
使用公开的数据集进行训练
下载下来是一个压缩包,解压后,文件夹内的文件结构是这样的
其中文件夹train
包含了参加训练的图片以及对应的label
文件,两者只有扩展名不同而已,目前图片只有105张。我们将包含数据集的文件夹重命名为mask
,存储在yolov5
工程的同级目录下
接着修改mask/data.yaml
文件内容为
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数同学面临毕业设计项目选题时,很多人都会感到无从下手,尤其是对于计算机专业的学生来说,选择一个合适的题目尤为重要。因为毕业设计不仅是我们在大学四年学习的一个总结,更是展示自己能力的重要机会。
因此收集整理了一份《2024年计算机毕业设计项目大全》,初衷也很简单,就是希望能够帮助提高效率,同时减轻大家的负担。
既有Java、Web、PHP、也有C、小程序、Python等项目供你选择,真正体系化!
由于项目比较多,这里只是将部分目录截图出来,每个节点里面都包含素材文档、项目源码、讲解视频
如果你觉得这些内容对你有帮助,可以添加VX:vip1024c (备注项目大全获取)
目比较多,这里只是将部分目录截图出来,每个节点里面都包含素材文档、项目源码、讲解视频**
如果你觉得这些内容对你有帮助,可以添加VX:vip1024c (备注项目大全获取)
[外链图片转存中…(img-K22lt7oG-1712539938721)]