YOLOv7：300epochs训练完了，没收敛

最新推荐文章于 2024-06-20 17:41:37 发布
最新推荐文章于 2024-06-20 17:41:37 发布
阅读量847 收藏 5
点赞数 4
文章标签： YOLO
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/boaboa6/article/details/134366134
版权

解决：

1、修改resume参数

2、把epochs的参数修改成你需要的次数xxx

3、修改autodl-tmp/yolov7/runs/train/exp/opt.yaml文件中epochs：xxx

4、在train.py文件夹里面加入语句，ckpt[‘epoch’] = 299

结果：

你是海波吗
关注
  • 4
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
pruning_yolov3:YOLOv3培训修剪
05-19
python train.py --data data/VHR.data --cfg cfg/yolov3.cfg --weights/yolov3.weights --epochs 100 --batch-size 32 #后面的epochs自行更改 直接加载weights可以更好的收敛 剪枝算法介绍 本代码基于论文 进行改进...
YOLOV5与YOVOV7，YOVOV7并未达到预期效果，求解
qq952936952的博客
11-09 3589
YOLOV5 同情况下节省一半以上，300张图像 batch-size 16 占显存 8G 左右 速度每轮次10秒。YOLOV7 300张图像 batch-size 只能到 8 往上就显存不足 显存占满 速度每轮次40秒。检测速度，检测精度，实际情况下都不是很理想，需要调整那些的参数。YOLOV7 目测百分之10的 误判或漏检 科涅还不止。YOLOV5 目测百分之一的 误判或漏检。有没有大神知道为什么会出现类似的效果，1，训练所需要资源差别。
YOLOV7断点续训和训练完成后增加epochs继续训练
vegetable0511的博客
11-02 1858
在训练模型的过程中可能会出现断电、错误关闭等意外导致训练中断，此时从头训练十分浪费实践和资源，我们可以使用断点训练来继续之前的训练找到train.py的resume参数，将False改为True，再执行train.py即可继续训练。
跑YOLOv7遇到的问题
梨涡的前端学习
12-14 807
Batch size设置过高：Batch size设置过高也会导致模型训练不稳定，并可能导致val/obj_loss上升。训练集和验证集的分割不合理：如果训练集和验证集的分割不合理，那么验证集上的表现可能无法反映模型在实际场景中的表现。模型结构设计不合理：模型结构设计也可能导致val/obj_loss的上升，例如层数过深、过宽、非常规的激活函数等。调整学习率和Batch size：可以通过多次实验，逐步调整学习率和Batch size，找到最优的设置参数。2.删除数据集中的.cache文件。
YOLOv7训练结果解析
weixin_45819759的博客
08-20 6192
已训练完模型，且把结果下载下来，以下某一次id识别训练结果为例，如下图所示。YOLOv7每次train完成（如果没有中途退出）都会在run目录下生成expX目录（X代表生成结果次数 第一次训练完成生成exp0 第二次生成exp1…以此类推）expX目录下会保存可视化的训练结果 result.png，result.txt，weights（last.pt和best.pt）等等。
yolov7模型训练结果分析以及如何评估yolov7模型训练的效果
u012254599的博客
12-26 7357
最近是刚刚训练模型，但是只会一股脑的训练是不行的，要懂得训练多少epoch，以及通过哪些指标来查看训练的效果如何，现在这几天的经验总结一下。本实验以person为例子，分别训练100epoch、60epoch、50epoch训练经验：由于并不知道到底训练多少epoch效果比较好，所以现在先设置成100。（这几天查询资料得出来的结论一般50多就差不多了）
yolov7训练自己数据集时，训练结果很差，有改进的方法吗
weixin_62461500的博客
02-24 2420
怎样提升yolov7训练结果
YOLOV7训练模型分析
weixin_46769840的博客
04-14 8410
yolo自学笔记
7581张数据yolo安全帽识别300epochs 训练好的参数
07-10
7581张数据yolo安全帽识别300epochs 训练好的参数
yolov5s+crowdhuman数据集训练得到的best.pt文件
01-17
crowdhuman数据集是一个专门用于行人检测的数据集，使用yolov5s对15000张图像进行训练了20个epochs，验证集包括4370张图片。该pt文件可以直接用来进行识别行人，包括身体部分和头部框。也可以在此文件的基础上进一步...
yolov5模型训练1
08-08
yolov5 模型训练 yolov5 模型训练是一个深度学习领域中的关键步骤，其目的是训练一个 yolov5 模型，使其能够准确地检测图像中的目标。本文将详细介绍 yolov5 模型训练的准备工作、模型参数设置、训练过程和结果展示...
yolov5 目标检测算法使用教程
09-20
- `epochs`: 训练轮数，当效果不再提升时，训练会自动结束。 同时，根据实际情况修改`VOC.yaml`中的数据集路径、类别数和类别名称。 ### 6. 开始训练 运行`train.py`，训练结果将保存在`runs/train`目录下。 ## ...
yolov7训练完后results.txt数据对比分析
weixin_45314480的博客
04-23 1639
【代码】yolov7训练完后results.txt数据对比分析。
纠正yoloV7 断点后训练的错误说明与优化
u014613075的博客
02-04 1829
由于1）训练的时间比较长；2）设备性能原因（如内存报错）；3）训练效果不佳，想继续训练；4）不想重头开始训练。所以继续训练有时需要的。然而本人在阅读网上的断点后继续训练的教程，发现存在不少误区。为此，本文将列出其他文章常见的误区，以及优化建议。
YOLO算法笔记
一道惊雷的博客
07-05 632
YOLO算法笔记 YOLO算法使用联合检测，将整幅图片首先拉伸成448*448，后将图片分为7*7的区域，对于每一个区域，预测B个bounding box，每一个bounding box包含五个信息：x，y，w，h和confidence，其中confident是bounding box是存在某个目...
YOLOV7训练自己的数据集以及训练结果分析(手把手教你)
热门推荐
m0_46406029的博客
03-25 2万+
YOLOV7训练自己的数据集以及训练结果分析(手把手教你)
如何判断训练中的模型已经收敛
qq_36230981的博客
02-25 1万+
3.模型收敛：train loss 下降趋于稳定，val loss 下降也趋于稳定，且train loss 的值与val loss 的值相差不大。5.train loss上升，val loss上升：网络结构设计有问题，或者训练参数设置不当等，及时停止学习，调整代码。4.train loss稳定，val loss稳定：可能已经收敛，或者学习遇到瓶颈，可以调小学习率试试。1.train loss 下降，val loss下降： 表明网络还在学习。2. train loss下降，val loss稳定：网络过拟合。
卷积篇 | YOLOv8改进之引入重新参数化再聚焦卷积RefConv | 即插即用
最新发布
突然好想你
06-20 56
论文提出了重新参数化再聚焦卷积(RefConv)作为常规卷积层的替代品，它是一个即插即用模块，可以在没有任何推理成本的情况下提高性能。本文所做出的改进就是在YOLOv8中引入重新参数化再聚焦卷积RefConv，希望大家学习之后能够有所收获~！🌈
yolov5训练的epochs存放在哪里
06-07
yolov5的训练epochs默认存放在`runs/train/exp/weights/`目录下。其中，`exp`是训练实验的名称，`weights`存放着训练过程中每个epoch的权重文件。如果你修改了训练时的`--project`和`--name`参数指定实验名称和模型名称，那么`runs/train/[project]/[name]/weights/`就是存放训练epochs的目录。此外，你也可以通过修改`--weights`参数来指定加载的权重文件，或者通过`--resume`参数来恢复之前的训练进度。

“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 4
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