解决YOLOV5 用自己的数据训练，手写预测代码实现效果差

最新推荐文章于 2024-05-04 16:56:25 发布
最新推荐文章于 2024-05-04 16:56:25 发布
阅读量1.5k 收藏 6
点赞数
分类专栏： torch 文章标签： 深度学习 人工智能 pytorch
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/cxkshizhenshuai/article/details/126364152
版权

YOLOV5的小细节，天坑！

 最近想用做了一个demo，测无人机航拍数据，首先在官网下载好YOLOV5模型：GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite 

        我使用的是v6.0版本，训练时按照Readme 来就可以，改一些参数和配置，训练时没什么问题，最终得到了训练好的pt文件。但项目需要将训练好的pt文件转换为onnx、caffemodel。该版本的yolov5支持.pt转为.onnx，但由于caffemodel的转换过程中不支持5维的shape，故需要在源代码中进行修改。将models/yolo.py文件进行修改，主要操作是把reshape为5维的操作和后续的画grid去掉，将其作为后处理。

        得到onnx文件后，进行Onnx文件的前向推理，由于网络结构变了，所以需要自己写后处理，主要是加上yolo.py去掉的部分和nms等。没想到得到的效果很差！！找了好几天的错，尝试了重新写推理文件，重新转换onnx等等都没得到好的结果。

        后经过我老师大神的指导，原来是在训练过程，train.py的参数配置上有一个参数

 该参数的含义是自动调整anchor大小，一般来说，我们训练用的是coco的anchor，由于该anchor的适应性很强，几乎能用在所有的数据中，平时也就不需要修改，但本数据为航拍数据，anchor需要很小，所以训练时自动调整了大小。通过Debug，得到网络层的最后一层为detect,     利用model.model.model[-1]得到

然后再利用model.model.model[-1],anchor_grid得到该detect的anchor。

 可以看到anchor的大小不再是coco定义好的大小，故再进行后续操作时，填写anchor大小一定记  得改！！！

坑！！！！

 

Drama King
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
基于yolov5的缺陷检测算法（工件缺陷）
10-30 1272
Yolov5/Yolov7魔术师专栏算法实战，通过动注意力机制和多尺度 涨点明显
yolov5 识别效果不好如何判断原因
热门推荐
走错路的程序员
11-02 3万+
yolov5 训练完模型以后发现 对测试图片的识别效果不好. 那么这个时候该怎么办呢? 是过拟合还是欠拟合了呢? 怎么判断呢? 欠拟合 机器学习中一个重要的话题便是模型的泛化能力，泛化能力强的模型才是好模型，对于训练好的模型，若在训练集表现差，在测试集表现同样会很差，这可能是欠拟合导致, 这是泛化能力太强, 训练集上和测试集上误识别比较高. 欠拟合解决方法 最简单的是增加数据集的正样本数, 增加主要特征的样本数量 增加训练次数. 有可能是你还没有训练到合适的次数, 网络还没有学习到特征就被你停止掉
YOLO-v5模型ONNX转Caffe
最新发布
pssbjn的博客
05-04 1064
将YOLOv5模型或者其他深度学习模型部署到嵌入式平台时，一般不需要将YOLOv5模型从ONNX转换为Caffe模型。一些比较老旧或者低端的处理器可能只支持转换Caffe模型，因此必须将ONNX转换为Caffe转换为Caffe模型之后可以在PC上用C/C++代码调用Caffe框架对模型进行验证和评估，在目标平台上验证要方便，便于算法迭代。YOLOv5模型中的5维转置、除法等Caffe不直接支持，可以参考YOLO算法移植，对训练好的模型进行裁剪后再导出为ONNX模型文件。
yolov7训练自己的数据集
51061370的博客
10-31 744
对于深度学习这类需要大量算力的学习任务，对于个人电脑来说会比较吃配置，所以这里更推荐大家去租用显卡来跑深度学习模型，这类平台一边都会内置pytorch等深度学习框架，各种python环境都已经预装好，只需上传数据集就可以跑。我使用的平台是恒源云，价格实惠，大家可以试一试。
(yolo v3)使用自己数据集k-means聚类产生的anchor效果反而变差解决方法
恩泽君的博客
05-14 1万+
(yolo v3)使用自己数据集k-means聚类产生的anchor效果反而变差解决方法 最近在使用yolo v3训练自己的数据集时，先使用k-means聚类出自己数据集anchors，然后训练自己数据集，最后结果发现预测的效果并不好，预测框得分很低，且容易误检，而使用COCO数据集都感觉效果更好一点，这就让我很怀疑使用k-means聚类产生anchor这个方法是否有效了。 而经过观察发现，原...
【yolov5检测代码简化】Yolov5 detect.py推理代码简化，输入图片，输出图片和结果
Yumesann的博客
09-21 6042
最近的项目里有yolov5的嵌入，需求是只需要推理，模型文件是已有的，输入需要是图片（原yolov5是输入路径），输出结果的图片和标签。这样的话需要对原来的代码进行一些简化和变更。
Yolov5-detect.py代码简化（便于移植）
weixin_51002159的博客
11-01 621
Yolov5-detect.py代码简化（便于移植）
YOLOV5手势识别数据集+代码+模型 2000张标注好的数据+教学视频
03-05
1.目标检测格式数据集，标签为yolo的txt格式 2.手势识别数据集，支持[ 'A', 'number 7', 'D...3. 提供3组训练好的YOLOV5模型 4.代码中包含图形化界面 5.提供B站视频教程：https://www.bilibili.com/video/BV1YL4y1J7xz/
yolov5-使用yolov5进行手写单词检测+识别.zip
03-05
yolov5 yolov5_使用yolov5进行手写单词检测+识别
Yolov3随机手写数字数据集
10-15
5. **新激活函数Leaky ReLU**：在YOLOv3中，使用了Leaky ReLU代替了之前的ReLU，解决了“死亡神经元”问题，提高了网络的稳定性。 6. **类间权值共享（Class-agnostic bounding box regression）**：YOLOv3的边界框...
MNIST160 手写数字图片数据集 - 用于 YOLOv8 图像分类
12-23
MNIST160 手写数字图片数据集是一组精心挑选和优化的图像，专为最新的 YOLOv8 图像分类任务设计。此数据集包含了 160 张高质量的手写数字图像，这些图像代表了从 0 到 9 的数字，每个数字有 16 个不同的手写样式。每...
MNIST手写数字数据集和训练代码
03-14
在训练模型时，我们通常会使用Python等编程语言，结合深度学习框架如TensorFlow或PyTorch等，来编写训练代码。首先，我们需要加载MNIST数据集，将其划分为训练集和测试集，并进行必要的预处理，如归一化、数据增强...
YOLOX自定义数据集训练（抢先踩坑）
小菜的博客
07-22 2万+
序言 昨天被YOLOX刷屏了，各大公众号强推：**性能超yolov5！！吊打一切yolo！！**看麻了我，标题还能再夸张点嘛？出于对前沿技术的渴望，还是要去学习学习，论文中改进了很多地方，这里就不再介绍，刷屏的文章中都已经介绍了，直接来看下作者给的性能对比图： 左边是大模型的性能对比，右边是各自轻量型模型的对比。可以看到越靠近左上角性能越优。此外作者还一次性开源了tensorrt、ncnn、openvino、onnx部署代码，可谓业界良心，从训练到部署一条龙服务。 习惯了yolo格式训练方式的我，在踩了无
Yolov5代码详解——detect.py
CherriesOvO的博客
03-17 2086
2.新建保存结果的文件夹。5.执行模型的推理过程。4.加载待预测的图片。
YOLOV5-7.0推理代码精简版详解(去除了所有冗余代码只留了必要的)
m0_49100031的博客
06-09 2411
目录如下： 拿到代码后，先别管其他，python segment/predict.py一下。能运行成功，在扯其他。要不然都是扯淡。yolo系列的代码对环境要求都很友好，只要装了torch基本就能成。这里假设各位都成功了，我们进行第二步。copy我的代码去你电脑上运行，改图像路径，模型路径， 名字 就行了。运行成功了再看，否则还是扯淡。注释都写好了，最好结合源码debug去看，很简单就能明白整个逻辑。因为所有这种任务无非就是 加载模型 -> 对数据进行前处理 -> forward -> 后处理 jit版：
2023.5--YOLOV5 版本6.2简化推理代码！打开即用！
weixin_62894060的博客
05-14 1047
本文探讨了YOLO目标检测系统的核心概念和作用。YOLO，全称"You Only Look Once"，实现了实时物体检测，重塑了现代计算机视觉。它将物体分类和定位合并为单个步骤，解决了其他检测方法如R-CNN面临的速度问题。YOLOv4、v5等版本进一步提升了性能，让YOLO在大规模数据集上表现出色
yolo系列 优缺点以及源码解析
qq_28057379的博客
11-05 2931
yolo v1 v2 v3 v4简单来说（大白话）都有什么不同。特点是什么呢？ - 知乎
YOLOv5初探（看来这个YOLO5做得还不是很完善，过段时间再试试？？）
Dontla的博客
06-16 2万+
文章目录YOLOv5简介如何安装训练自己的数据集 YOLOv5简介 YOLOv5速度比前代更快，在运行Tesla P100的YOLOv5 Colab笔记本中，每个图像的推理时间快至0.007秒，意味着每秒140帧（FPS）！ YOLOv5体积小，YOLOv5 s的权重文件为27MB。YOLOv4（Darknet架构）的权重文件为244MB。YOLOv5比YOLOv4小近90％。这意味着YOLOv5可以更轻松地部署到嵌入式设备。 此外，因为YOLOv5是在PyTorch中实现的，所以它受益于已建立的PyTor
YOLO-V5 算法和代码解析系列（一）—— 快速开始
DAOCHI
12-19 2071
如何快速验证官方开源YOLO-V5的有效性？文章目录： 运行环境配置， Demo， 重新训练 YOLO-V5s
手写最基础的yolov5训练代码
07-28
以下是一个基础的YOLOv5训练代码示例： ```python import torch from torch.utils.data import DataLoader from torchvision import datasets from torchvision.transforms import ToTensor from models.experimental import attempt_load from utils.general import check_dataset, check_file, check_img_size # 设置设备 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 数据集路径 data_path = "path/to/dataset" # 检查数据集是否合法 check_dataset(data_path) # 加载数据集 dataset = datasets.ImageFolder(data_path, transform=ToTensor()) dataloader = DataLoader(dataset, batch_size=8, shuffle=True) # 加载模型配置文件和权重文件 model_cfg = "path/to/model.yaml" model_weights = "path/to/weights.pt" # 检查配置文件和权重文件是否存在 check_file(model_cfg) check_file(model_weights) # 加载模型 model = attempt_load(model_cfg, model_weights, device) # 设置图片尺寸 img_size = check_img_size(640) # 设置优化器 optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) # 设置损失函数 criterion = torch.nn.CrossEntropyLoss() # 训练循环 num_epochs = 10 for epoch in range(num_epochs): for batch, (images, labels) in enumerate(dataloader): # 将数据移动到设备 images = images.to(device) labels = labels.to(device) # 前向传播 outputs = model(images) # 计算损失 loss = criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() # 输出训练信息 if batch % 10 == 0: print(f"Epoch {epoch+1}/{num_epochs}, Batch {batch+1}/{len(dataloader)}, Loss: {loss.item()}") ``` 在上述代码中，我们首先设置了设备（CPU或GPU），然后加载数据集和模型。接下来，我们设置优化器和损失函数，并进行训练循环。在每个批次中，我们将数据移动到设备上，执行前向传播、计算损失、反向传播和优化，并输出训练信息。 请注意，这只是一个基础的YOLOv5训练代码示例，实际使用时可能需要根据具体的数据集、模型和训练需求进行相应的调整和修改。

“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 2
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