Ubuntu YOLOv5自制训练集训练

最新推荐文章于 2024-03-01 16:19:44 发布
最新推荐文章于 2024-03-01 16:19:44 发布
阅读量488 收藏 5
点赞数 1
文章标签： 目标检测
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/Yanyinn/article/details/126709924
版权

Ubuntu系统 用自制的数据集训练YOLOv5网络

1. 本人使用的YOLOv5网络 https://github.com/Thinkin99/yolov5_d435i_detection

2. 训练用的是官方的网络 https://github.com/ultralytics/yolov5，然后把训练好的模型导入自己所用的网络中使用。

3. 训练集的制作、分割和转换主要参考 https://blog.csdn.net/qq_40927867/article/details/115768888， 虽然博主是说的WIN系统下，但Ubuntu一样可以使用。

4. 需要注意的是，Github上官方最新版的YOLOv5训练完的模型可能不适合所有版本的网络，我在网盘上存了一个自己可以使用的版本 链接：https://pan.baidu.com/s/1AN–Tu_xowqkMDiX7YXlNg?pwd=50y7 提取码：50y7

Yanyinn
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
YOLOv5(PyTorch)实战：训练自己的数据集(Ubuntu)
06-30
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而性能高，更加灵活和便利。  本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。  本课程的YOLOv5使用ultralytics/yolov5，在Ubuntu系统上做项目演示。包括：安装YOLOv5、标注自己的数据集、准备自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型和性能统计。  希望学习在Windows系统上演示的学员，请前往《YOLOv5(PyTorch)实战：训练自己的数据集(Windows)》课程链接：https://edu.csdn.net/course/detail/30923 本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv5(PyTorch)目标检测实战：训练自己的数据集》 Ubuntu系统 https://edu.csdn.net/course/detail/30793 Windows
使用YOLOv3模型训练自己的数据集
04-02
使用YOLOv3模型训练自己的数据集，在Ubuntu16.04下面已经能够成功运行，下载使用好了给个好评，O(∩_∩)O谢谢
【yolo】在Ubuntu上训练yolov5模型
Zimu的博客
03-01 529
（如果是有点基础的，我想你应该能自己搞定！（2）可以直接二通过git仓库从github上克隆，如果无法访问gibhub,可以从gitee上获取yolov5源码。１.　在主机上安装anaconda，（anaconda是什么，怎么装，请查阅相关资料，本文只提供大致步骤和方案）还有models目录下的yaml文件也需要修改一下，找到相应的yaml文件，修改nc的参数即可。----conda activate [你的刚刚创建的虚拟环境]----２.　一台服务器（有GPU）（我的装了Ubuntu）
ubuntu18.04（LINUX）运行YOLOV5+训练VOC数据集/自己的数据集
weixin_51543864的博客
03-04 9492
YOLOV5 中文Github网址： https://github.com/wudashuo/yolov5 首先要确保自己安装了显卡驱动,cuda和cudnn 可以参考这位博主的文章 https://blog.csdn.net/qq_34496399/article/details/105770053 贴一下我这里的版本 当安装好后要安装OPENCV 先打开Ubuntu商店搜索Cmake安装 将下载好的OpenCV-4.5.1源码解压到主目录下，并在OpenCV-4.5.1中新建build文件夹
YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)
06-21
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而高性能，更加灵活和易用，当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。  本课程的YOLOv5使用ultralytics/yolov5，在Windows和Ubuntu系统上分别做项目演示。包括：安装YOLOv5、标注自己的数据集、准备自己的数据集（自动划分训练集和验证集）、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 除本课程《YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)》外，本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括：《YOLOv5(PyTorch)目标检测：原理与源码解析》课程链接：https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战：Flask Web部署》课程链接：https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战：TensorRT加速部署》课程链接：https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战：Jetson Nano部署》课程链接：https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接：https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接：https://edu.csdn.net/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/35209 《YOLOv5实战垃圾分类目标检测》课程链接：https://edu.csdn.net/course/detail/35284  
Ubuntu20.04配置YOLOV5算法相关环境，并运行融合YOLOV5的ORB-SLAM2开源代码（亲测有效）
weixin_70026476的博客
12-12 8969
安装的软件主要是anaconda，然后anaconda可以帮我们安装python、pytorch这些东西。我的ubuntu版本：ubuntu20.04.5LTS。安装的python类型：python3.8.15,(原来系统自带的python是3.9.12)
ubuntu+yolov5训练自己的数据集
vcvvcvx的博客
05-16 1229
ubuntu20.04+yolov5部署自己的数据集进行训练并实现预测。
YOLOv5目标检测：ubuntu1804从零开始使用YOLOv5训练自己的数据集（亲测有效，一步一步来一定行）
llzzll22244的博客
01-25 1905
本文基于ubuntu18.04使用自己制作的数据集在YOLOv5上进行训练，记录了一个完整的过程
ubuntu18.04下用yolo训练自己的数据集
whujk的博客
06-24 1884
ubuntu18.04下用yolo训练自己的数据集并进行检测 收集数据集并标注 数据集的量对于检测的准确度有很高的影响，所以应该尽可能的获取较多的数据集。这里，我从百度图片上获得了92张夏洛特中的动漫人物——友利奈绪的图片。 之后在windows下用labelImg软件进行标注： 本文的工作分为两端进行，在windows下完成数据集的搜集，再将其标注好后传输进ubuntu(本想在nano中跑训练，结果失败了，后续表明原因)内。 在dasknet-master文件夹下，将数据集按照如下图文件夹格式放置：
YOLOv5训练自己的数据集（踩坑记录&自学用&不定期更新）
skyfly1206
04-17 2751
2.数据集的准备：用的是自己课题组的traffic_sign数据集。（JPEGImages+Annnotation）打上标签的为.xml格式，此处.txt格式容易报错，推荐保存为.xml格式。利用如下代码进行数据集的划分以及将.xml转为.txt格式。注：上述代码需要修改一些地方：创建字典用来对类型进行转换，此处的字典要与自己的classes.txt文件中的类对应，且顺序要一致。解决方法如下：更换numpy,很大一部分原因是因为python包的版本不兼容引起的。安装好对应的依赖包。
极简YOLOv5训练以及检测流程（ubuntu）
qq_52135902的博客
05-04 1621
本文仅就csdn中yolo系列的大部分教程踩坑记录最终得出的一个最简洁最流畅的流程，本人非计算机专业，水平有限，仅适合想要快速入门YOLO训练自己的数据集以及如何使用模型进行目标检测的同学，个人记录的同时希望可以帮到大家。
【基于Ubuntu下Yolov5的目标识别】保姆级教程 - 虚拟机安装 - Ubuntu安装 - 环境配置
11-07
【基于Ubuntu下Yolov5的目标识别】保姆级教程 | 虚拟机安装 - Ubuntu安装 - 环境配置(Anaconda/Pytorch/Vscode/Yolov5) |全过程图文by.Akaxi 全文8686字102图 包含YoloV5源码
yolov5调用摄像头
09-21
yolov5调用摄像头
YOLOv3目标检测实战：训练自己的数据集
06-14
购课后可加入白勇老师课程学习交流QQ群：957519975除本课程《YOLOv3目标检测实战：训练自己的数据集》外，本人推出了有关YOLOv3目标检测的系列课程，请持续关注该系列的其它课程视频，包括：《YOLOv3目标检测实战：...
分行业城镇非私营单位就业人员平均实际工资指数(2004-2011年).xls
05-05
数据来源：中国劳动统计NJ-2023版
（更新至2022年）分行业城镇非私营单位就业人员年末人数.xls
05-05
数据来源：中国人口与就业统计NJ-2023版
Smart继电器编程器操作手册
05-04
Smart继电器编程器操作手册
node-v6.0.0.tar.xz
05-04
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
分地区按行业分城镇非私营单位就业人员数（2022年）.xls
最新发布
05-05
数据来源：中国人口与就业统计NJ-2023版
ubuntu yolov5训练自己的数据集
08-25
要在Ubuntu上使用YOLOv5训练自己的数据集，可以按照以下步骤进行操作： 1. 安装必要的依赖项：在Ubuntu上安装Python、PyTorch、OpenCV和其他相关的软件包。可以使用以下命令在终端中安装它们： ```shell pip install torch torchvision opencv-python ``` 2. 下载YOLOv5代码：从YOLOv5的官方GitHub仓库中克隆代码到本地。使用以下命令在终端中执行： ```shell git clone https://github.com/ultralytics/yolov5.git ``` 3. 准备数据集：将自己的数据集标注成YOLO格式，并将图像和标签文件放入`yolov5/data`文件夹中。 4. 配置数据集：根据自己的数据集，修改`yolov5/data`文件夹中的`yaml`配置文件。主要包括`train`和`val`数据集的路径、类别数量等信息。 5. 训练模型：使用以下命令开始训练模型： ```shell cd yolov5 python train.py --img <image_size> --batch <batch_size> --epochs <num_epochs> --data data/<your_yaml_file.yaml> --cfg models/yolov5s.yaml --weights '' --name <experiment_name> ``` 其中， `<image_size>` 是输入图像的尺寸，`<batch_size>` 是每批次处理的图像数量， `<num_epochs>` 是训练的迭代次数， `<your_yaml_file.yaml>` 是你修改后的`yaml`配置文件名，`<experiment_name>` 是保存实验结果的文件夹名。 6. 测试模型：使用以下命令测试已训练的模型，在终端中执行： ```shell python detect.py --weights runs/train/<experiment_name>/weights/best.pt --img <image_path> --conf 0.4 ``` 其中， `<experiment_name>` 是你之前训练模型时使用的实验文件夹名，`<image_path>` 是要进行目标检测的图像路径， `--conf 0.4` 是置信度阈值。 以上是在Ubuntu上使用YOLOv5训练自己的数据集的一般步骤。根据实际情况，可能需要额外的配置和调整。请参考YOLOv5的官方文档和GitHub仓库中的说明进行更详细的操作。

“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 1
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