手把手改进yolo训练自己的数据（坑洼路面识别）

最新推荐文章于 2024-04-27 00:09:46 发布
最新推荐文章于 2024-04-27 00:09:46 发布
阅读量560 收藏 7
点赞数 3
分类专栏： 小白学视觉 计算机视觉感知 文章标签： YOLO 手把手训练自己的数据 改进yolo
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ALiLiLiYa/article/details/133799568
版权

结果展示

img

在Pothole Detection数据集上对YOLOv7进行微调的步骤如下：

0 环境配置

if` `not` `os.path.exists(``'yolov7'``):``  ``!git clone https:``/``/``github.com``/``WongKinYiu``/``yolov7.git` `%``cd yolov7` `!pip install ``-``r requirements.txt

  1. 数据集准备：

    • 收集一个专门用于pothole（坑洼）检测的数据集，包括图像和相应的注释文件。注释可以使用Pascal VOC或YOLO格式。
    • 将数据集分割为训练集和验证集。
    • 图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-
    • 数据下载链接：

在这里插入图片描述


!wget https://learnopencv.s3.us-west-2.amazonaws.com/pothole_dataset.zip

# Extract the dataset.
!unzip -q pothole_dataset.zip

数据排列：


pothole_dataset/
├── images
│   ├── test [118 entries exceeds filelimit, not opening dir]
│   ├── train [1265 entries exceeds filelimit, not opening dir]
│   └── valid [

  1. 下载预训练权重：

    • 从官方仓库或Darknet网站等来源获取YOLOv7的预训练权重。

      
!wget https://github.com/WongKinYiu/yolov7/releases/download/v0.1/yolov7-tiny.pt

  2. 配置文件：

    • 创建或修改所需的训练配置文件。
    • 调整类别数量以匹配pothole检测数据集中的类别数。
    • 更新训练、验证和测试数据集的路径。
    • 根据需要自定义其他超参数。

    更改配置文件

    %%writefile data/pothole.yaml
train: ../pothole_dataset/images/train
val: ../pothole_dataset/images/valid
test: ../pothole_dataset/images/test
 
# Classes
nc: 1  # number of classes
names: ['pothole']  # class names

  3. 训练：

    • 使用下载的预训练权重初始化YOLOv7模型。

    • 加载训练数据集，并通过迁移学习等技术开始微调模型。

    • 在多个epochs上训练模型，同时监控损失和mAP（mean Average Precision）指标。

    • 使用数据增强技术（如随机裁剪、翻转、旋转等）来提高模型的泛化能力。

    • –device：GPU设备编号（ID），用于进行训练。由于只有一个GPU，所以设为0。

      –data：接受数据集的YAML文件路径。

      –img：默认情况下，图像会在输入网络之前被调整为640×640的分辨率。您可以在此处指定图像大小。

      –cfg：模型配置文件的路径，用于加载我们之前创建的模型架构。

      –weights：预训练模型的路径。

      –name：默认情况下，所有训练、验证和测试结果都会保存在runs目录的子目录中。您可以通过此参数指定这些子目录的名称。

      –hyp：YOLOv7系列中的所有模型都具有不同的参数和超参数。这些包括学习率、数据增强技术以及增强的强度等多个超参数。所有这些超参数都在yolov7/data目录中的超参数文件（YAML文件）中定义。在此参数中，您需要指定合适的YOLOv7-tiny模型超参数文件的路径

    
!python train.py --epochs 100 --workers 4 --device 0 --batch-size 32 \
--data data/pothole.yaml --img 640 640 --cfg cfg/training/yolov7_pothole-tiny.yaml \
--weights 'yolov7-tiny.pt' --name yolov7_tiny_pothole_fixed_res --hyp data/hyp.scratch.tiny.yaml
Let’s go over

    r-images%5Cimage-20231012205821363.png&pos_id=img-MOmMEWe5-1697116793583)

  4. 评估：

  5. 在这里插入图片描述

    	
python detect.py --source ../../inference_data/video.mp4 --weights runs/train/yolov7_pothole_multi_res/weights/best.pt --view-img

    评估脚本：

    !python test.py --weights runs/train/yolov7_tiny_pothole_fixed_res/weights/best.pt --task test --data data/pothole.yaml
1
2
Class      Images      Labels           P           R      mAP@.5  mAP@.5:.95: 100% 4/4 [00:04<00:00,  1.09s/it]
                all         118         304        0.82       0.556        0.64       0.348
    • 在验证数据集上评估训练好的模型，以评估其性能。
    • 计算精确度、召回率和F1分数等指标来衡量模型的准确性。
    • 根据评估结果调整模型或超参数。

    Results after fine tuning YOLOv7-tiny model on the pothole detection dataset

    改进：

    YOLOv7 fixed resolution fine tuning results.

%%writefile cfg/training/yolov7_pothole.yaml
# parameters
nc: 1  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
 
# anchors
anchors:
  - [12,16, 19,36, 40,28]  # P3/8
  - [36,75, 76,55, 72,146]  # P4/16
  - [142,110, 192,243, 459,401]  # P5/32
 
# yolov7 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0
  
  [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2     
  [-1, 1, Conv, [64, 3, 1]],
  
  [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4 
  [-1, 1, Conv, [64, 1, 1]],
  [-2, 1, Conv, [64, 1, 1]],
  [-1, 1, Conv, [64, 3, 1]],
  [-1, 1, Conv, [64, 3, 1]],
  [-1, 1, Conv, [64, 3, 1]],
  [-1, 1, Conv, [64, 3, 1]],
  [[-1, -3, -5, -6], 1, Concat, [1]],
  [-1, 1, Conv, [256, 1, 1]],  # 11
        
  [-1, 1, MP, []],
  [-1, 1, Conv, [128, 1, 1]],
  [-3, 1, Conv, [128, 1, 1]],
  [-1, 1, Conv, [128, 3, 2]],
  [[-1, -3], 1, Concat, [1]],  # 16-P3/8 
  [-1, 1, Conv, [128, 1, 1]],
  [-2, 1, Conv, [128, 1, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [[-1, -3, -5, -6], 1, Concat, [1]],
  [-1, 1, Conv, [512, 1, 1]],  # 24
        
  [-1, 1, MP, []],
  [-1, 1, Conv, [256, 1, 1]],
  [-3, 1, Conv, [256, 1, 1]],
  [-1, 1, Conv, [256, 3, 2]],
  [[-1, -3], 1, Concat, [1]],  # 29-P4/16 
  [-1, 1, Conv, [256, 1, 1]],
  [-2, 1, Conv, [256, 1, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [[-1, -3, -5, -6], 1, Concat, [1]],
  [-1, 1, Conv, [1024, 1, 1]],  # 37
        
  [-1, 1, MP, []],
  [-1, 1, Conv, [512, 1, 1]],
  [-3, 1, Conv, [512, 1, 1]],
  [-1, 1, Conv, [512, 3, 2]],
  [[-1, -3], 1, Concat, [1]],  # 42-P5/32 
  [-1, 1, Conv, [256, 1, 1]],
  [-2, 1, Conv, [256, 1, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [[-1, -3, -5, -6], 1, Concat, [1]],
  [-1, 1, Conv, [1024, 1, 1]],  # 50
  ]
 
# yolov7 head
head:
  [[-1, 1, SPPCSPC, [512]], # 51
  
  [-1, 1, Conv, [256, 1, 1]],
  [-1, 1, nn.Upsample, [None, 2, 'nearest']],
  [37, 1, Conv, [256, 1, 1]], # route backbone P4
  [[-1, -2], 1, Concat, [1]],
  
  [-1, 1, Conv, [256, 1, 1]],
  [-2, 1, Conv, [256, 1, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
  [-1, 1, Conv, [256, 1, 1]], # 63
  
  [-1, 1, Conv, [128, 1, 1]],
  [-1, 1, nn.Upsample, [None, 2, 'nearest']],
  [24, 1, Conv, [128, 1, 1]], # route backbone P3
  [[-1, -2], 1, Concat, [1]],
  
  [-1, 1, Conv, [128, 1, 1]],
  [-2, 1, Conv, [128, 1, 1]],
  [-1, 1, Conv, [64, 3, 1]],
  [-1, 1, Conv, [64, 3, 1]],
  [-1, 1, Conv, [64, 3, 1]],
  [-1, 1, Conv, [64, 3, 1]],
  [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
  [-1, 1, Conv, [128, 1, 1]], # 75
      
  [-1, 1, MP, []],
  [-1, 1, Conv, [128, 1, 1]],
  [-3, 1, Conv, [128, 1, 1]],
  [-1, 1, Conv, [128, 3, 2]],
  [[-1, -3, 63], 1, Concat, [1]],
  
  [-1, 1, Conv, [256, 1, 1]],
  [-2, 1, Conv, [256, 1, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [-1, 1, Conv, [128, 3, 1]],
  [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
  [-1, 1, Conv, [256, 1, 1]], # 88
      
  [-1, 1, MP, []],
  [-1, 1, Conv, [256, 1, 1]],
  [-3, 1, Conv, [256, 1, 1]],
  [-1, 1, Conv, [256, 3, 2]],
  [[-1, -3, 51], 1, Concat, [1]],
  
  [-1, 1, Conv, [512, 1, 1]],
  [-2, 1, Conv, [512, 1, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [-1, 1, Conv, [256, 3, 1]],
  [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
  [-1, 1, Conv, [512, 1, 1]], # 101
  
  [75, 1, RepConv, [256, 3, 1]],
  [88, 1, RepConv, [512, 3, 1]],
  [101, 1, RepConv, [1024, 3, 1]],
 
  [[102,103,104], 1, IDetect, [nc, anchors]

  1. 测试：

    • 在单独的测试数据集上测试最终训练好的模型，以评估其在实际场景中的性能。

    • 分析模型的预测结果，计算指标，并根据需要进行改进。

      YOLOv7 FPS and inference time comparison between different models.

请记住，根据数据集的规模、质量和特定要求对YOLOv7模型进行微调。此外，确保拥有足够的数据量，以避免过拟合并获得良好的泛化能力。

阿利同学
关注
  • 3
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
一步一步介绍如何基于 YOLO-NAS 训练道路坑洼和损坏数据集+检测的代码实现
DT程序员的博客
06-08 1191
一步一步介绍如何基于 YOLO-NAS 训练道路坑洼和损坏数据集，同时列出检测的代码实现
YOLO路面坑洼检测数据集
03-02
数据集样本数量为665，所有图片已标注为voc xml格式，可用于YOLO目标检测模型训练，机器学习，深度学习，人工智能，python，pycharm。
实战 | 使用YOLOv8图像分割实现路面坑洞检测（步骤 + 代码）
Color Space的博客
03-02 1594
trainImagePath = os.path.join(dataDir, 'train','images')：此行构造包含训练图像的目录的路径。对于每个子图，它使用 加载相应的图像os.path.join(validImagePath, selectedImage[i])，使用 方法执行推理bestModel.predict()，并使用 绘制带注释的图像results[0].plot()。在整个项目中，我们从数据管理到模型训练、推理和评估，揭示了图像分割的复杂性及其在计算机视觉中的变革潜力。
【YOLOv7训练】——预训练重使用_yolov7预训练权重
2401_84592313的博客
04-27 607
YOLOv7于2022.07发布，已被CVPR2023接收！此贴记录自己使用YOLOv7训练自己数据集时权重使用问题最后个人建议，能不用YOLOv7就别用！！！别用！！！别用！！！训练真的太慢了！！！训练真的太慢了！！！训练真的太慢了！！！（OTA的锅，关了OTA会快好几倍，但性能会下降）太吃显存了！！！太吃显存了！！！太吃显存了！！！收敛曲线很魔鬼！！！收敛曲线很魔鬼！！！收敛曲线很魔鬼！！！重要的事情说三遍！！！重要的事情说三遍！！！重要的事情说三遍！！！
YOLOv5如何训练自己的数据集（生活垃圾数据集为例）
qq_44231797的博客
09-24 1660
本文主要介绍如何利用YOLOv5训练自己的数据集1、定义yolov5网络模型文件如 models/yolov5l.yamlnc: 4 # number of classes 类别,这里的类别一共四种depth_multiple: 1.0 # model depth multiple ，模型宽度width_multiple: 1.0 # layer channel multiple ，通道数anchors:backbone:head:2、在data/目标下，定义自己数据集的配置文件。
YOLOv5-Lite 详解教程 | 嚼碎所有原理、训练自己数据集、TensorRT部署落地应有尽有...
idol24的博客
03-10 3762
YOLOv5 Lite在YOLOv5的基础上进行一系列消融实验，使其更轻（Flops更小，内存占用更低，参数更少），更快（加入shuffle channel，yolov5 head进行通道...
【YOLOv7训练】——预训练重使用
retainenergy的博客
09-11 1万+
最后个人建议，能不用YOLOv7就别用！！！别用！！！别用！！！ 训练真的太慢了！！！训练真的太慢了！！！训练真的太慢了！！！（OTA的锅，关了OTA会快好几倍，但性能会下降） 太吃显存了！！！太吃显存了！！！太吃显存了！！！ 收敛曲线很魔鬼！！！收敛曲线很魔鬼！！！收敛曲线很魔鬼！！！ 重要的事情说三遍！！！重要的事情说三遍！！！重要的事情说三遍！！！
yolov7训练检测（个人备忘录）
cyh20182808的博客
04-11 2072
这步不会的直接去我的版本是python3.8，cuda11.6，torch1.12.1+cu1.6。
yolo训练自己数据集.txt
05-16
yolo训练自己数据集参考链接集合，亲测好用
yolo训练 可识别滑块缺口等一系列验证码 易语言源码
04-04
yolo训练 神经网络 可识别滑块缺口等一系列验证码 识别行人 汽车等视觉标注
YOLO猫狗检测和识别数据集
05-30
YOLO猫狗检测数据集，1000多张使用lableimg标注软件，标注好的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOLO系列算法； 1、3500多张标注好的数据...
YOLO车辆行人四类别识别数据集
04-22
1、YOLO车辆行人四类别识别数据集，目标类别为person、car、bus、truck 共4个类别，4000多张行人车辆检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、数据集和检测结果参考：...
YOLOv7保姆级教程（个人踩坑无数）----训练自己的数据集
热门推荐
weixin_55749226的博客
12-30 7万+
从零开始，保姆级yolov7教程助你脱离新手村。
Mask R-CNN图像实例分割实战：训练自己的数据集
06-23
Mask R-CNN是一种基于深度学习的图像实例分割方法，可对物体进行目标检测和像素级分割。本课程将手把手地教大家使用VIA图像标注工具制作自己的数据集，并使用Mask R-CNN训练自己的数据集，从而能开展自己的图像分割应用。本课程有三个项目案例实践：(1) balloon实例分割 ：对图像中的气球做检测和分割(2) pothole（单类物体)实例分割：对汽车行驶场景中的路坑进行检测和分割(3) roadscene( 多类物体)实例分割：对汽车行驶场景中的路坑、车、车道线等进行检测和分割本课程使用Keras版本的Mask R-CNN，在Ubuntu系统上做项目演示。 本课程提供项目的数据集和python程序文件。下面是使用Mask R-CNN对roadscene进行图像实例分割的测试结果：下图是使用Mask R-CNN对pothole进行单类物体图像实例分割的测试结果：下图是使用Mask R-CNN对roadscene进行多类物体图像实例分割的测试结果：
Yolov7学习笔记（三）训练部分
Deen的博客
04-07 1032
思路为：将预训练权重字典按key跟对应内容取出，判断key是否跟模型的key重合，如果重合就记录到临时字典里，直到把预训练权重都判断完毕，然后将临时字典的权重更新到模型权重里。训练阶段还是比较熟悉的几个流程，如从加载器中取出图片，然后向前传播，损失计算，反向传播，梯度更新，在验证阶段用到了ema也就是权值平滑。然后做验证集loss计算与Map计算，当验证机的loss小于历史所存最小loss则保存该轮的训练权值。对预模型参数做平均操作，增加模型训练时的鲁棒性，是用来在test或val时才使用，用来更新参数。
基于深度学习的路面坑洞检测（详细教程）
小白学视觉
06-21 905
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达导读本文主要介绍如何使用 YOLOv4 目标检测模型和 Darknet 框架来创建一个路面坑洞检测系统。背景介绍 高速行驶时，道路上的坑洼会变得非常危险。当汽车或车辆的驾驶员无法从远处看到坑洼并及时刹车或将汽车快速驶离时，情况更是如此。后面的动作对其他司机也同样危险。但是，如果我们使用深度学习和目标检测来检测前方远处的坑洼...
YOLOV7训练模型分析
weixin_46769840的博客
04-14 8293
yolo自学笔记
跑通官方的yolov7-tiny实验记录（yolov7-tiny可作为yolov5s的对比实验网络）
孟孟单单的博客
11-16 2万+
跑通官方的yolov7-tiny实验记录（yolov7-tiny可作为yolov5s的对比实验网络）
YOLOv7实验记录
pengxiang1998的博客
03-05 2374
这篇博客主要记录博主在做YOLOv7模型训练与测试过程中遇到的一些问题。首先我们需要明确YOLO模型权重文件与模型文件的使用其实在github的readme中已经告诉我们使用方法，但我相信有很多像博主一样眼高手低的人可能会犯类似的错误。
yolo训练自己的数据集怎么样使识别更加准确
最新发布
05-29
要训练自己的数据集以提高YOLO的准确性，你可以按照以下步骤进行： 1. 收集自己的数据集并标注 收集包含你所需物体的图片，并使用标注工具（如labelImg）将物体标注出来，生成对应的标注文件。 2. 将数据集转换成YOLO可识别的格式 YOLO需要特定格式的数据集才能进行训练，因此你需要将标注文件转换成YOLO可识别的txt格式，每个txt文件对应一张图片。每个txt文件中包含多行，每行描述了一个物体的类别和位置信息。 3. 配置YOLO的训练参数 在训练之前，你需要配置一些参数，例如学习率、批量大小、迭代次数等。 4. 开始训练 在配置好参数后，你可以开始训练了。通过不断迭代训练，YOLO模型可以逐渐学习到你所提供的物体。 5. 测试模型 在训练完成后，你需要对模型进行测试以评估其准确性。你可以使用测试集图片来测试模型，然后计算出模型的精度。 为了进一步提高YOLO的准确性，你可以尝试以下方法： 1. 增加数据量：通过增加数据量来训练模型，可以使模型更加准确。 2. 调整网络结构：通过调整网络结构来改进模型的性能。 3. 数据增强：通过数据增强技术（如旋转、翻转、缩放等）来增加数据集的多样性，从而提高模型的鲁棒性。 4. 调整训练参数：通过调整学习率、批量大小等参数来改进模型的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

阿利同学

一角两角不嫌少

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值