YOLOv8修改网络后进行训练时依然保持原网络结构

已于 2024-03-20 23:16:02 修改
阅读量680 收藏 4
点赞数 3
文章标签： YOLO yolov8
于 2024-03-20 23:15:03 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/TPF_Dreamer/article/details/136891496
版权

修改完网络后进行train，发现网络结构依然按原结构进行。

这种情况一般只会在使用终端命令进行训练时才会出现

解决办法：

1.不要使用终端命令

2.在项目里面创建py文件

from ultralytics import YOLO
model=(YOLO("ultralytics/cfg/models/v8/XXXXXX.yaml"))  #yaml文件路径
model.train(**{'cfg':'ultralytics/cfg/default.yaml'})   #这个路径应该是固定的，注意要在default文件里面修改参数，比如win系统要把works值改为0

3.default文件里面修改数据集路径

TPF_Dreamer
关注
YOLOv8模型网络结构更改后报错
**My Coding Family**
10-23 1149
Concat 尺寸不匹配是导致错误的主要原因。你需要逐层检查参与Concat操作的张量，并确保它们的形状一致。通过调试每层的输出形状，你可以清楚地看到哪些层之间存在尺寸不匹配，然后通过上采样或下采样使它们匹配。你可以根据上述建议调整你的网络结构，解决报错问题。如果有更多错误细节或调试输出，我可以帮助进一步分析。希望如上措施及解决方案能够帮到有需要的你。
YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)
热门推荐
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-02 16万+
YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布， 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
YOLOV8出现结构不变化以及keyerror错误提示
weixin_57112913的博客
01-06 2024
最近在魔改V8的网络结构主要是进行一些卷积的替换，但是跟着别人的博客走修改完所有东西后，运行代码时会出现网络结构没变化还是原本的网络结构。
YOLOX接着以前训练的模型再训练
fangweijiex的博客
07-20 3340
代码】YOLOX接以前训练的模型在训练。
数据集扩充、数据集增广后放入yolov8中训练
weixin_51230935的博客
12-19 4346
参考如何实现数据增强——扩充数据集-CSDN博客 1.txt转换为xml格式 txt转xml_蘑菇的神的博客-CSDN博客 这位真的是神啊，救了我的狗命了，试了好多代码，只有他的成功。 2.扩充数据集 参考如何实现数据增强——扩充数据集-CSDN博客 新建data-augmention.py 修改代码497行左右，这部分文件路径 需要四个文件夹的路径： source_img_path ：图片原始位置 source_xml_path：xml的原始位置 save_img_path
YOLOv8从断点处继续训练
专注“目标检测”领域技术分享
06-26 1716
【代码】YOLOv8从断点处继续训练。
yolov8训练自己的数据集遇到的问题
古月哥欠666的博客
04-21 5960
根据本地模型配置文件.yaml可以设置nc但是，这里无法用到预训练模型.pt模型文件，预训练模型的权重参数是在大数据集上训练得到的，泛化性能可能比较好，所以，下载了官方的分类模型yolov8n-cls.pt由于需要魔改yolov8，所以下载了官方源码，在default.yaml配置文件中是各种超参数，包括data与model路径的设置。
YOLOv11 | 一文带你深入理解ultralytics最新作品yolov11的创新 | 训练、推理、验证、导出 （附网络结构图）
Snu77的博客
10-01 13万+
ultralytics发布了最新的作品YOLOv11，这一次YOLOv11的变化相对于ultralytics公司的上一代作品YOLOv8变化还是很大的（YOLOv9、YOLOv10均不是ultralytics公司作品），其中改变的位置涉及到C2f变为C3K2，在SPPF后面加了一层类似于注意力机制的C2PSA，还有一个变化大家从yaml文件是看不出来的就是它的检测头内部替换了两个DWConv，在损失函数方面就没有变化了还是采用的CIoU作为边界框回归损失，下面带大家深入理解一下ultralytics最新作品
详解YOLOv8网络结构/环境搭建/数据集获取/训练/推理/验证/导出/部署
Snu77的博客
10-28 7万+
YOLO（You Only Look Once）系列算法因其高效、准确等特点而备受瞩目。由2023年Ultralytics公司发布了YOLO的最新版本YOLOv8是结合前几代YOLO的基础上的一个融合改进版。本文YOLOv8网络结构/环境搭建/数据集获取/训练/推理/验证/导出/部署，从网络结构的讲解从模型的网络结构讲解到模型的部署都有详细介绍，同时在本专栏中还包括YOLOv8模型系列的改进包括个人提出的创新点，传统卷积、注意力机制、损失函数的修改教程，能够帮助你的论文获得创新点。
一文弄懂 | YOLOv8网络结构解读 、yolov8.yaml配置文件详细解读与说明、模型训练参数详细解析 | 通俗易懂！入门必看系列！
qq_45972324的博客
08-21 1万+
YOLOV8入门必看系列！弄懂YOLOv8模型，看这一篇文章就够了，通俗易懂！ | 弄懂 YOLOv8网络结构解读 、yolov8.yaml配置文件详细解读与说明、模型训练参数详细解析 与说明。
【yolov8】修改训练模型记录
linpangmu的博客
05-20 2295
yolov8训练教程
YOLOV8在训练好的模型后增加epoch继续训练
weixin_51368349的博客
10-23 8333
在ultralytics/engine/trainer.py中找到def check_resume(self)，将resume = self.args.resume替换为resume = 'runs/detect/train/weights/last.pt';将self.epochs = self.args.epochs修改为这次要训练的epochs,比如说上次训练了100次这次想继续训练50次就改为150。再找到def resume_training(self, ckpt):在第一行添加。
使用yolov8训练数据集及使用中遇到的问题
weixin_51230935的博客
08-30 2万+
就是这个文件夹，别怕。
在Yolov8中使用自己的网络结构以及预训练权重进行训练的方法
qq_33791347的博客
04-14 4181
来进行训练，并且在default.yaml文件内设置网络结构、预训练权重、训练轮次等内容。当我们直接在从Github上获取的预训练权重基础之上进行训练且不需要更改网络结构时，直接将model指向权重的.pt文件即可。但是我们时常需要使用自己优化后的网络结构配合从Github上获取的预训练权重来进行训练。对此我们只需要对default.yaml文件进行以下修改即可。除了使用train.py以及命令行进行训练以外，我们还可以使用。
yolov8修改yaml文件，yolov8模型重复加载，无法确定模型的大小等等问题
qq_45876890的博客
12-14 5698
11月份yolov8一些小bug问题的解决，包括迁移学习，修改配置文件，修改源码让界面中的bug更少。
yolov5 yaml配置问题
set_jmp的博客
11-25 1097
yolov5配置文件问题
YOLOv8/v5改模型结构（如添加注意力）之后，加载预训练权重
Dneccc的博客
10-25 1702
YOLOv5改模型结构（如添加注意力）之后，加载预训练权重
【yolov8系列】 yolov8 目标检测的模型剪枝
magic_ll的博客
12-20 1万+
有框架完成的对网络所有结构都自适应剪枝是最佳的，但这里没有详细记录torch-pruning的yolov8的剪枝，是因为存在不解 对其yolov8具体的剪枝代码中操作：“比较疑惑 replace_c2f_with_c2f_v2(model.model)的梯度置为Fasle，是因为该层是解析box时的一个向量，具体的为 [0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]，为了便捷的将该处理保存在模型中，所以就定义了一个卷积，所以该卷积不需要梯度、不需要反向传播，所以该层的。
YOLOv8实战-模型剪枝
做疯狂的女码农，品不一样的人生
04-25 4902
模型剪枝是用在模型的一种优化技术，旨在减少神经网络中不必要的参数，从而降低模型的复杂性和计算负载，进一步提高模型的效率。模型剪枝的流程：约束训练（constained training）、剪枝（prune）、回调训练（finetune)
yolov8修改网络结构并训练
最新发布
02-21
### 修改YOLOv8网络结构并进行训练 #### 查看原始模型结构 为了有效地修改YOLOv8的网络结构，首先要加载预训练模型并查看当前的架构。这可以通过调用`model.info()`方法来实现，该方法会输出详细的层信息以及每层对应的参数数量。 ```python from ultralytics import YOLO # 加载预训练的YOLOv8模型 model = YOLO('yolov8n.pt') # 打印模型概要信息 print(model.info()) ``` #### 添加自定义模块（如CBAM） 根据具体需求，在适当位置插入新的组件或替换现有部分。例如，可以在骨干网之后加入注意力机制模块——CBAM (Convolutional Block Attention Module)，以增强特征表达能力[^1]。 ```python import torch.nn as nn from cbam_module import CBAM # 假设已有一个实现了CBAM功能的Python文件cbam_module.py class CustomYOLO(YOLO): def __init__(self, config_path=None, pretrained=False): super().__init__(config_path=config_path, pretrained=pretrained) # 在指定位置添加CBAM模块 self.cbam_layer = CBAM(gate_channels=self.backbone.out_channels) def forward(self, x): x = self.backbone(x) x = self.cbam_layer(x) # 应用于backbone后的feature map上 return self.head(x) custom_model = CustomYOLO(pretrained=True) print(custom_model) ``` #### 验证结构调整有效性 完成上述操作后启动一次完整的训练流程。观察日志输出确认新引入的部分被正确识别，并且整体参数统计合理无误。当控制台显示出包含自定义组件在内的完整网络描述时，则表明调整工作顺利完成。 #### 开始训练过程 最后一步就是利用准备好的数据集执行实际训练任务。确保配置文件中指定了正确的路径和其他必要的超参数设置。 ```bash python train.py --img 640 --batch 16 --epochs 50 \ --data custom_dataset.yaml \ --weights yolov8_custom.pth ```
评论
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