对比实验系列：SSD环境配置及训练自己数据集

已于 2024-05-22 10:43:48 修改
阅读量6.2k 收藏 178
点赞数 34
分类专栏： 目标检测 文章标签： 目标检测 人工智能 计算机视觉
于 2024-04-18 09:27:19 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/Yayisheng/article/details/137888258
版权
本文详细介绍了如何在Python中使用SSD-Pytorch进行深度学习项目，包括环境配置（如创建conda环境，安装Torch和相关库），处理Pillow版本问题，自定义数据集的制作（包括标签修改、划分和路径补全），以及训练参数的调整和模型训练过程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、源码下载

可以从下方的链接下载SSD-Pytorch源码

https://github.com/bubbliiiing/ssd-pytorchicon-default.png?t=N7T8https://github.com/bubbliiiing/ssd-pytorch

二、环境配置

1、创建环境

使用anaconda进行环境配置，创建一个ssd的环境：

conda create -n ssd python=3.8 -y

2、进入环境

激活anaconda环境：

conda activate ssd

3、torch安装

安装torch和torchvision，我所使用的torch版本为1.9.1+cu111，对应的torchvision版本为0.10.1+cu111：

pip install torch==1.9.1+cu1
最低0.47元/天 解锁文章
ssd训练自己的数据集
reset2021的博客
07-12 6090
基于SSD实现目标检测（训练自己的数据集）
英伟达SSD视觉算法模型训练、转换与部署
qq_18677445的博客
06-06 968
深度学习的训练和推理流程，是先采用高性能图形服务器使用深度学习框架来训练（Training）机器学习算法，研究大量的数据来学习一个特定的场景，完成后得到模型参数，再部署到终端执行机器学习推理（Inference），以训练好的模型从新数据中得出结论。一般的深度学习项目，训练时为了加快速度，会使用多 GPU 分布式训练。但在部署推理时，为了降低成本，往往使用单个 GPU机器甚至嵌入式平台进行部署。Jetson Nano 可以完成整个训练和推理流程，但基于 Jetson Nano 的低算力，不推荐在。
在Win10和linux下跑通SSD目标检测算法，训练自己的数据集
skylake_的博客
07-15 2642
运行环境 python 3.7 cuda 9.0及以上 pytorch 1.0及以上 注意事项： 如果有GPU，请注意检查cuda的路径配置，nvcc -V 命令是否好使！ 查看pytorch的版本： imoort torch print(torch.__version_) 查看cuda版本 import torch print(torch.version.cuda) 环境正确是一切代码运行ok的基本条件。 下载pytorch版本SSD代码 请从该链接clone代码：https://github.c
SSD安装及训练自己的数据集
zhang_shuai12的专栏
08-28 4万+
最近一直在搞object detection玩，之前用的是faster-rcnn，准确率方面73.2%，效果还不错，但是识别速度有点欠缺，我用的GPU是GTX980ti, 识别速度大概是15fps.最近发现SSD(single shot multibox detector) 这篇论文效果和速度都不错，我自己实验了一下，速度确实比faster-rcnn快不少。下面分两部分来介绍。第一部分介绍SSD的安
AttributeError: ‘ImageDraw‘ object has no attribute ‘textsize‘
最新发布
m0_60584465的博客
03-25 470
这个错误是因为新版 Pillow 库移除了。（错误提示中的路径）
SSD框架训练自己的数据集
a123333789的博客
08-17 805
SSD demo中详细介绍了如何在VOC数据集上使用SSD进行物体检测的训练和验证。本文介绍如何使用SSD实现对自己数据集的训练和验证过程，内容包括： 1 数据集的标注2 数据集的转换3 使用SSD如何训练4 使用SSD如何测试1 数据集的标注　　　数据的标注使用BBox-Label-Tool工具，该工具使用python实现，使用简单方便。修改后的工具支持多label的标签标注。该...
SSD训练自己的数据集（Pytorch），超详细版！！！！
qq_50773198的博客
11-13 2万+
近期开始学习SSD算法啦，从拿到代码的茫然到最后可以跑通自己的代码（本人基础薄弱），已经非常非常开心喽~这篇文章主要介绍一下我的修改过程，以及我训练过程中遇到的问题，可以给大家避避坑，也方便我以后自己使用。那接下来就开始吧~另，在训练中参考的文章标明出处，如有侵权，请联系我删除：【数据集制作】VOC2007格式数据集制作和处理教程(Faster-RCNN模型标准输入)_AI小杨的博客-CSDN博客 SSD pytorch训练自己的数据集（windows+colab） | 码农家园SSD的pytorch实现训
SSD训练自己的数据集（pytorch版，吊打面试官系列
m0_61068496的博客
04-08 1100
(img-0T5pjHBw-1712550640154)]源码讲义、实战项目、讲解视频，并且后续会持续更新**
利用SSD训练自己的数据集
weixin_42639897的博客
08-04 1544
利用SSD训练自己的数据集 1.下载源码https://github.com/lufficc/SSD 2.准备自己的数据集(train test json) 3.python train.py(涉及到的文件path_catlog.py将其中的coco数据的地址改成自己的，coco.py中的class_names，vgg_ssd512_coco_trainval35k.yaml中的num_classes,train,test的地址，max_iter,lr,lr_steps,gamma,batch_size)训
【YOLO模型训练】训练前的准备工作：环境配置与数据预处理
[【YOLO模型训练】训练前的准备工作：环境配置与数据预处理](https://opengraph.githubassets.com/4a9974aa9b33e2d21211679e73d57cab0787ec11a002109c05f9bef1ee45ea02/lovish1234/YOLOv1) # 1. YOLO模型训练概述 ...
caffe-ssd训练自己的数据集，create_list/data.sh、trainval等txt文件生成脚本、训练脚本修改
08-08
caffe-ssd训练自己的数据集时需要修改create_list/data.sh文件，并且需要生成trainval等txt文件存放样本的文件名，以及最后训练脚本的修改，附件为以上操作所需要的文件
【mmdetection】使用自定义的coco格式数据集进行训练及测试
YeeKo的博客
05-27 3万+
目录一、mmdetection简介二、环境安装1、安装教程2、运行demo测试环境是否安装成功三、训练自定义的dataset1、准备dataset2、Training前修改相关文件3、Training4、Testing 一、mmdetection简介 项目仓库地址：https://github.com/open-mmlab/mmdetection 香港中文大学-商汤科技联合实验室开源了基于 PyT...
一步一步带你训练自己的SSD检测算法_ssd训练自己的数据集
2401_84248479的博客
04-11 2521
为了做好运维面试路上的助攻手，特整理了上百道。
用SSD训练自己的数据集
dongfang1984的博客
07-07 4857
1构建 数据集 先来看一下我们构建数据集合应该是什么样的,假设总数据为1000张。 为了方便，我们将数据放在／home／bingolwang/data 文件夹下。/home/bingolwang/data/VOCdevkit 这个目录下是VOC2007 VOC2007/ |-- Annotations #1000个xml文件。 |-- ImageSets | `-- ...
SSD-Pytorch训练和测试自己的数据集（新手必看）
热门推荐
kaimingD的博客
03-24 4万+
目录 1.准备自己的数据集 2.pytorch环境安装即SSD-pytorch代码下载 3.正常的修改 修改1：config.py 修改2：VOC0712.py 修改3：train.py 修改4：eval.py 修改5：ssd.py 4.遇到的问题和相应的解决办法 问题1： ...
SSD训练自己数据集
qq_41613251的博客
05-14 927
SSD训练自己数据集 1.数据制作 （1）首先准备img与txt文件夹（图像及标注的txt文件），txt文件夹下的文件均为txt文件，里边的内容为1 2 26 18 70样式，其中1为类别，（2，26）为左上点坐标，（18,70）为右下角坐标。目标检测标注工具初始生成的文件包括xml，xml2txt文件如下。 import os import re import json import shutil import numpy as np from PIL import Image from lxml imp
SSD训练自己的数据
wxshan3的博客
09-19 292
一、训练自己的数据： (1)在/data目录下创建一个自己的文件夹： cd /data mkdir mydataset (2)把/data/VOC0712目录下的create_list.sh 、create_data.sh、labelmap_voc.prototxt 这三个文件拷贝到/mydataset下： cp data/crea...
【四二学堂】-Python爬虫入门之一
weixin_39593940的博客
03-24 450
Python爬虫入门之一 一、运行环境 1、系统：Win10 2、Python版本：python3.6.6 3、IDE：PyCharm 二、requests 库的安装 pip install requests 三、新建项目 新建项目：zhaopingou， 新建文件:index.py import requests #导入requests库 r=requests.get('http://w...
ssd训练自己数据集
04-13
SSD（Single Shot MultiBox Detector）是一种用于目标检测的深度学习模型，它可以同时进行目标的定位和分类。如果你想要使用SSD来训练自己的数据集，可以按照以下步骤进行操作： 1. 数据准备：首先，你需要准备一个包含目标物体的数据集。这个数据集应该包括图像和相应的标注框（bounding box）信息，标注框用于指示目标物体在图像中的位置。确保数据集中的图像和标注框是匹配的。 2. 数据预处理：在训练之前，你可能需要对数据进行一些预处理操作，例如调整图像大小、归一化像素值、增强数据等。这些预处理操作有助于提高模型的性能和鲁棒性。 3. 模型配置：接下来，你需要配置SSD模型的结构和参数。SSD模型通常由一个基础网络（如VGG、ResNet等）和一系列卷积层、预测层组成。你可以选择使用已经训练好的模型作为基础网络，并根据自己的需求进行调整。 4. 训练模型：使用准备好的数据集和配置好的模型，开始进行模型的训练。在训练过程中，你需要定义损失函数（如交叉熵损失和定位损失）和优化器（如随机梯度下降法），并设置训练的超参数（如学习率、批大小、迭代次数等）。 5. 模型评估：在训练完成后，你可以使用测试集对模型进行评估，计算模型在目标检测任务上的性能指标，如准确率、召回率、平均精度等。 6. 模型应用：最后，你可以使用训练好的SSD模型对新的图像进行目标检测。将图像输入到模型中，模型会输出检测到的目标物体及其位置信息。
评论 62
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