YOLOv9中train.py与train_dual.py的异同！

已于 2024-03-15 19:46:24 修改
阅读量2.9k 收藏 10
点赞数 11
分类专栏： YOLOv9涨点改进专栏 文章标签： YOLO 开发语言 python 深度学习 机器学习
于 2024-03-07 21:21:59 首次发布
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/StopAndGoyyy/article/details/136546329
版权

专栏介绍：YOLOv9改进系列 | 包含深度学习最新创新，主力高效涨点！！！

先放结论：train.py是无“辅助分支”训练用的脚本，train_dual.py是含有辅助训练分支用的脚本！

        首先，train.py（左）与train_dual.py(右)中的损失函数是不一样的，这也解释了为什么使用train.py除了填入必要路径还要修改报错的"P[0]"，而train_dual.py填入必要路径可以直接运行。

        其次，train.py较train_dual.py多一层输出判别。

如果觉得本文章有用的话给博主点个关注吧！

Yolov9的DualDDetect层
Littro Innovations
02-27 735
Yolov9中DualDDetect是两个DDetect的级联，而DDetect则是一个完全解耦的检测模块。
YOLOv5源码逐行超详细注释与解读（3）——训练部分train.py
热门推荐
路人贾的博客
03-11 3万+
全网最详细的YOLOv5项目源码解读之训练部分train. py。全文近5万字！代码逐行注释，逐段讲解，小白入门必备！
【目标检测】使用YOLOv9训练和测试自己的数据集
MayYou_SSS的博客
05-27 2168
任务：检测舌头上的裂纹和齿痕已经有了labelme标注的数据集，并且转为了coco格式。
【模型复现】自制数据集上复现刚发布的最新 yolov9 代码
Mecaly的博客
02-23 5188
【模型复现】自制数据集上复现刚发布的最新 yolov9 代码
YOLOv9全流程保姆级跑通教程！从训练到验证再到推理！一文读懂YOLOv9！！！
B站 Ai学术叫叫兽的文案地
04-18 1万+
YOLOv9全流程保姆级跑通教程！从训练到验证再到推理！一文读懂YOLOv9！！！
一文搞懂 YOLOv9 训练推理全流程 | YOLOv9你绝对不知道的细节!
YOLOv8项目贡献者
03-25 8610
YOLOv9你绝对不知道的细节! 5分钟搞懂YOLOv9核心！
语义分割：YOLOv7的分割模型训练自己的数据集（从代码下载到实例测试）
Limiiiing的博客
08-17 1675
在Windows10上配置CUDA环境教程YOLOv7的seg版本中是YOLOv7的分割模型，相比较于检测模型，主要的改动是在检测头部分加入了计算目标掩码的操作，继承于检测头IDetect，共用一个骨干网络和颈部网络，能够实现目标的同时检测和分割。YOLOv7的分割模型在u7分支下的seg文件夹下，将这个问价夹及其中的内容下载到本地后就得到了YOLOv7分割模型的源代码。以上就是YOLOv7的分割模型训练自己数据集的全部过程啦，欢迎大家在评论区交流~
PyTorch YOLOv3-train.py
Sycret
11-28 1147
按照 https://gitee.com/sycret/PyTorch-YOLOv3/tree/master 上的方法去train自己的dataset报错了 准备看一下为什么 顺便加深下对yolov3代码的理解。 train $python3 train.py --model_def config/yolov3-custom.cfg --data_config config/custom.data error 看起来是个数组越界的错，去看看哪里错了。(还顺便发现classes.names上传错文件了 已
记录YOLOv5运行train.py出现的问题
jehseh的博客
09-26 830
记录YOLOv5运行train.py出现的问题，以及解决办法
YOLOv8-训练train.py参数设置
m0_56843848的博客
06-29 775
【代码】YOLOv8-训练train.py参数设置。
yolov5代码解读--train.py
weixin_43337201的博客
10-30 6973
yolov5代码解读前言函数train()总结 前言 前一篇博客大致对yolov5的一些前期准备和训练参数等做了整理（YOLO v5 代码解读及训练、测试实操），此篇博客主要对项目中的train.py内容进行详细解读，以方便大家学习。 函数train() train.py函数涉及的篇幅比较大，为提高阅读性，本博客仅提供部门核心进行讲解，详细的完整代码，见网盘地址。 ①超参数及训练参数配置 #获取轮次、批次、总批次（涉及到分布式训练）、权重、进程序号（主要用于分布式训练）# epochs, batch_s
YOLOv9训练教程，并解决部分报错问题，必看❗❗❗
深度学习
02-27 5398
YOLOv9提出后部分博主发布了训练教程，但真的质量堪忧，甚至train.py, train_dual.py or train_triple.py该使用哪个都不对，因此报错❗❗。所以制作本期教程以供大家参考，如有错误欢迎指正交流🤝🤝。
YOLOv9配置环境训练自己的数据集（电脑版）
weixin_58404533的博客
03-27 2032
在下载安装好Anaconda的基础上，在电脑上配置YOLOv9的深度学习环境，训练自己的目标检测数据集，找到GPU占用率低的原因。
论文阅读——Dual Learning for Machine Translation
liuy9803的博客
03-09 1091
https://arxiv.org/pdf/1611.00179.pdf 用于机器翻译的双重学习 Github：https://github.com/microsoft/DualLearning https://github.com/yistLin/pytorch-dual-learning 论文提出一种双重学习机制，可以从无标记的数据中自动学习，解决了人工标记...
YOLOv9 使用中的一些问题
qq_73683939的博客
04-10 2611
本篇文章结合个人理解和github官方开源社区的讨论结果，对yolov9使用过程中遇到的一些问题，进行总结，持续更新中~~~
YOLOv9训练不中断，从断点处训练的方法
TracyGC的博客
03-16 1636
比如训练了100轮，还想训练200轮，就改成100+200=300轮，也就是最终要训练300轮。注意如果想从上一次训练结果中恢复训练，那么保证训练结果（存放在/runs/train目录下）在保存目录中代号为最大的，也就是断点的那次存放的结果是在最后一个文件夹的，断点前训练的设置参数、不是直接在train_dual.py设置weight参数为训练好的权重（last.pt），然后设置想要继续训练的epoch，这样学习率等超参数启动时还是按照默认的，并不是继续上一轮的训练。就可以用继续第98轮了。
YOLOv9改进 | 汇总利用YOLOv9遇到的报错以及解决办法（汇集全网报错内容，内容持续更新）
Snu77的博客
03-09 7215
2.1 attributeerror: ‘FreeTypeFont‘ object has no attribute ‘getsize‘ 2.2AttributeError: 'list' object has no attribute 'view' 2.3RuntimeError: shape '[89, 89, -1]' is invalid for input of size 569600 2.4AttributeError: 'list' object has no attribut
YOLOv9目标识别——详细记录训练环境配置与训练自己的数据集
知来者逆的博客
03-14 7441
从Yolov9的算法解读和之前模型对比到详细记录模型训练与推理的过程
目标检测算法——YOLOV9——算法详解
TigerZ*的博客
04-16 3630
本文主要介绍了YOLOV9 算法的原理，并结合官方git 源码和其他人员的一些issue，更深层的尝试去探讨论文具体实现时的一些疑问。
train_dual_custom文件
最新发布
04-03
### 关于 `train_dual_custom` 的实现 在机器学习领域，尤其是涉及支持向量机 (SVM) 或其他优化算法时，`dual` 方法是一个常见的概念。它指的是通过拉格朗日乘子法将原问题转化为对偶形式来求解。对于 `train_dual_custom` 这样的函数名，可以推测其目的是自定义训练过程中的对偶方法。 以下是基于 SVM 对偶方法的一个简单 Python 实现示例： #### 使用 Scikit-Learn 和 NumPy 的自定义 Dual 训练逻辑 ```python import numpy as np from sklearn.svm import SVC from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split def train_dual_custom(X, y, C=1.0, kernel='rbf', gamma='scale'): """ 自定义双目标训练函数。 参数: X: 特征矩阵 y: 标签数组 C: 正则化参数 kernel: 核函数类型 ('linear', 'poly', 'rbf' 等) gamma: RBF核的gamma值 返回: 受训模型对象 """ model = SVC(kernel=kernel, C=C, gamma=gamma, dual=True) # 设置 dual=True 表明使用对偶方法[^1] model.fit(X, y) return model # 数据生成与分割 X, y = make_classification(n_samples=100, n_features=20, random_state=42) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 调用自定义训练函数 model = train_dual_custom(X_train, y_train, C=1.0, kernel='linear') print(f"模型得分: {model.score(X_test, y_test)}") ``` 上述代码展示了如何利用 Scikit-Learn 中的 `SVC` 类构建一个简单的对偶方法训练器，并允许用户指定不同的超参数（如正则化强度 `C` 和核函数）。注意，在此例子中设置了 `dual=True` 来强制启用对偶方法。 --- #### Amazon EC2 GPU 实例的选择建议 如果计划运行深度学习任务并希望降低成本，则应考虑使用 AWS 提供的不同类型的 GPU 实例。根据最新技术趋势和性价比分析，G4 实例被广泛认为是最具成本效益的选择之一[^2]。尽管 P2 实例仍可提供良好的性能表现，但它缺乏某些现代特性，比如 Tensor Core 支持以及混合精度训练能力，这使得 G4 成为了更优选项。 当部署此类计算密集型工作负载时，请务必评估具体需求后再做决定；例如，如果您需要极高吞吐量或特定硬件架构支持（如 NVIDIA 安培系列），那么可能还需要进一步研究更高规格的产品线。 --- ###
评论 5
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
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