K同学[365天深度学习训练营]第九周记录Y2训练自己的数据集

最新推荐文章于 2024-07-12 16:21:48 发布
最新推荐文章于 2024-07-12 16:21:48 发布
阅读量324 收藏 10
点赞数 8
文章标签： 深度学习 人工智能
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/afive54/article/details/136262537
版权
本文介绍了如何在Windows10的WSL2环境中，利用Python3.9.18、VSCode、Jupyternotebook以及PyTorch2.1.2版本的YOLOv5深度学习模型，对水果数据集进行训练，包括设置环境、划分训练集和生成标签文件的操作。
摘要由CSDN通过智能技术生成

- 系统环境：WIN10-WSL2-Ubuntu22.04

- 语言环境：Python3.9.18

- 编译器：vscode+jupyter notebook

- 深度学习环境：Pytorch2.1.2、YOLOv5

- 显卡：NVIDIA GeForce RTX 2080

本次是调用yolov5来训练一个水果检测的数据集

yolo是非常成熟的模型，整个过程和深度学习的理解已经没有什么关系了

单纯的调用模型的过程。

前面的部分都很简单，主要是Linux系统会使用，cd到相关的路径然后跑指令，两个代码一个是划分训练集，另一个是生成标签文件，最终生成结果为：

54afive
关注
  • 8
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
365天深度学习训练营-第P9周：YOLOv5-Backbone模块实现
m0_62800398的博客
06-22 119
YOLOv5-Backbone模块实现
深度学习第九周：YOLOv5-Backbone模块实现
qq1273882425的博客
06-07 694
PyTorch第9周：YOLOv5-Backbone模块实现
YOLOv5白皮书-第Y2周:训练自己的数据集
lihuhelihu的博客
06-29 935
lmageSets文件夹下面有个Main子文件夹，其下面存放了 train.txt、val.txt、test.txt 和 trainval.txt 四个文件，它们是通过split_train_val.py 文件来生成的。上面的代码，如果直接在pycharm运行tranin.py，会下载YOLOv5自身的数据集并进行训练，而不是会训练自己提供的数据集，需要对tranin.py进行修改才可以训练自己的数据集。images文件是.png格式，官方的为.jpg，不过问题不大，后面改一下代码即可(后面会讲解)
深度学习第五周：动态学习率——运动鞋识别
qq1273882425的博客
04-08 1406
深度学习入门：动态学习率的原理和使用
深度学习，YOLO吸烟数据集，可直接用于yolo训练 已做好标注txt
04-03
数据集是深度学习模型训练的基础，这个数据集已经为YOLO进行了预处理，包含标注的TXT文件。这些标注文件通常记录了每张图像中吸烟行为的位置信息，例如边界框坐标以及对应的类别标签。例如，TXT文件可能包含了每一帧...
keras-yolov3_keras_深度学习训练标签生成_yolov3_python_
09-30
描述中提到"pyhton 文件将标签与图片数据集匹配生成训练所用文件，在深度学习的训练中使用"，这指的是在训练YOLOv3模型之前，我们需要对图像数据集进行预处理，包括标注图像中的目标对象，生成对应的标签文件。...
人工智能训练数据集合集.zip
08-23
ICDAR2013：ICDAR2013数据集为每个图片提供了单词的边界框的标注，每个图片都有属于自己的标注txt文件，以一个单独的图像为例，标注文件每一行代表一个文本目标，前四个数字为坐标信息（x1,y1,x2,y2）是文本框的左上...
路面车道线，车辆以及路面裂缝数据集（带有json格式标注）
05-18
该数据集是一个专门为深度学习模型，特别是RCNN（Region-based Convolutional Neural Network）设计的训练集合，用于路面车道线、车辆以及路面裂缝的检测任务。这类任务属于计算机视觉领域中的目标检测问题，旨在...
适用于YoloV5训练和测试的coco数据集标签文件（train2017.txt和val2017.txt）
09-15
在计算机视觉领域，数据集是模型训练的基础，而COCO（Common Objects in Context）数据集是一个广泛使用的大型标注图像数据集，旨在推动物体检测、分割、关键点检测等任务的发展。COCO数据集包含了丰富的类别信息和...
深度学习中的超参数及超参数搜索算法
qlkaicx的博客
07-08 663
在深度学习中，超参数（Hyperparameters）是指在训练模型时需要预先设置的参数，它们不会在训练过程中自动更新，而是通过手动调整来优化模型的性能。超参数的设置对模型的训练效果有着至关重要的影响。
240712_昇思学习打卡-Day24-LSTM+CRF序列标注（3）
最新发布
weixin_66378701的博客
07-12 359
今天做LSTM+CRF序列标注第三部分，同样，仅作简单记录及注释，最近确实太忙了。
【基于深度学习方法的激光雷达点云配准系列之GeoTransformer】——粗配准
steptoward的博客
07-09 784
从本文开头的图中可以直接明了地看出, forward函数中, get_node_correspondences步骤的输出——gt_node_corr_indices, gt_node_corr_overlaps, 是coarse_target函数的所有输入. coarse_target函数中, 首先根据设定的overlap阈值, 过滤中有效的真值匹配点对, 然后分别获取对应的ref点索引、src点索引以及overlap程度, 返回这些结果.这个类中是没有可学习的网络参数的.
【深度学习】图形模型基础(6)：模型优化理论
MUKAMO的博客
07-10 865
模型优化理论关注提升模型性能、准确性和效率。SGD（随机梯度下降）是其关键算法之一，通过随机选取样本计算梯度并更新模型参数，以提高训练速度和适用性。SGD尤其适合大规模数据集，但可能因梯度噪声导致收敛波动。改进算法如动量法和自适应学习率算法（如Adam）进一步加速收敛并提升精度。总之，模型优化理论和SGD是机器学习不可或缺的工具，助力提升模型性能，推动深度学习发展。
深度学习--系统配置流程
sinat_37718529的博客
07-09 612
自学工作日志
3-7 使用深度学习解决温度即示数问题
weixin_62115482的博客
07-09 587
和均方误差损失函数（MSELoss），初始化优化器并运行训练循环，训练 10000 个周期。更新训练循环以在每个周期中清零梯度，并在没有梯度计算的上下文中更新参数。打印顺序模型在验证集上的预测输出和真实值，查看隐藏层线性变换的权重梯度。定义损失函数，使用均方误差（MSE）来计算预测值和真实值之间的差异。定义损失函数对预测值的梯度，以及模型对参数（w和b）的梯度。定义训练循环函数，包括训练和验证集的损失计算和模型更新。计算参数w和b的梯度并进行一次梯度下降更新。定义训练循环函数，通过多个训练周期更新参数。
【深度学习基础】MAC pycharm 专业版安装与激活
Small__明的博客
07-09 529
本人是采用的第二种，大家可以参考。选择自己的版本安装即可。祝大家都可以顺利激活！
【小贪】深度学习常用Pytorch, Numpy对比及常用语法
打瞌睡_的博客
07-09 790
Torch的tensor可以在GPU上加速运算，Numpy的ndarray只能在CPU上加速运算。numpy API导包与相互转化。
昇思25天学习打卡营第21天|LSTM+CRF序列标注
读书 行路 做人 成事
07-09 1026
将命名实体识别视为多分类问题，则每个词的预测概率都是独立的，易产生类似的问题，因此需要引入一种能够学习到此种关联关系的算法来保证预测结果的正确性。因此我们逆序求解每一个概率最大的标签，构成最佳的预测序列。是地名，需要将其识别，我们对每个输入的单词预测其标签，最后根据标签来识别实体。考虑到序列标注问题的线性序列特点，本节所述的条件随机场特指线性链条件随机场。进行标注标签的过程。的输入需要考虑输入序列的真实长度，因此除发射矩阵和标签外，加入。从上文的举例可以看到，对序列进行标注，实际上是对序列中每个。
iddpm训练自己的数据集
07-27
IDDPM是基于DPM的目标检测算法，可以用于训练自己的数据集。根据引用\[1\]中的描述，训练自己的数据集主要需要修改pascal_data文件，该文件负责读取参与训练的正负样本。正样本的数据格式为1.jpg 2 x1 y1 x2 y2 x2_1...

“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
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

54afive

你的鼓励将是我创作的最大动力

¥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