基于PP-YOLOE的雾天行人车辆目标检测

已于 2022-09-16 23:37:57 修改
阅读量5.1k 收藏 67
点赞数 14
分类专栏： 物体检测 文章标签： 目标检测 深度学习 计算机视觉
于 2022-09-08 15:56:26 首次发布
原文链接：https://aistudio.baidu.com/aistudio/projectdetail/4228391
版权

1. 项目说明

随着计算机视觉算法的快速发展，目标检测作为视觉感知的基础任务，在诸多场景中得到了广泛应用。常见的公开数据集和方法大多针对能见度良好条件下的目标检测任务而建立。然而现实应用场景却面临诸如低能见度环境等更为复杂的环境，导致拍摄图像质量下降。在雾、霾等恶劣天气条件下，城市安防、自动驾驶等应用的视觉感知和场景理解变得极为困难。这些大气现象通常会导致图像出现非线性噪声、模糊、对比度下降和亮度变暗等问题，这对目标检测任务构成了挑战。该项目旨在提高目标检测算法对雾天环境拍摄图像的鲁棒性。以我们选用的 RTTS 数据集为例，该项目的挑战在于：

目标复杂

环境复杂，要适应各种能见度条件下的白天、阴天、雾天、霾天等气候环境；
场景复杂，城市道路、乡村、高速公路等场景差异性较大；
样本不均衡

类别多，包含：行人、骑车人、汽车、巴士、摩托车、自行车；
每张图像中包含多类目标，以及各种程度的遮挡与截断；
在这里插入图片描述
在这里插入图片描述

2. 安装说明

2.1 环境说明
本示例是基于 PaddleDetection2.4 版本实现的 YOLOV3 网络，同时结合 SOTA 去雾方法 MSBDN 网络对数据进行去雾操作，并在 RTTS 数据集进行了训练。

  • PaddlePaddle 2.2

  • OS 64位操作系统

  • Python 3(3.5.1+/3.6/3.7/3.8/3.9)，64位版本

  • pip/pip3(9.0.1+)，64位版本

  • CUDA >= 10.1

  • cuDNN >= 7.6

2.2 解压代码

项目代码在 PaddleDetection-release-2.4.tar 文件中，数据集在 UG2_val.tar 文件中，解压到合适路径即可使用。
UG2_train.tar下载地址：https://bj.bcebos.com/ai-studio-online/d400fea9e5014fdfb5d592ac5bcb1de1d1fd0054452a4f36be22a4dda0f21d63?authorization=bce-auth-v1%2F5cfe9a5e1454405eb2a975c43eace6ec%2F2022-09-05T07%3A55%3A48Z%2F-1%2F%2Fbec2436ebc44f1f1b30ae937e5527974726564ccb1caff6697e6c16d2375f0c7&responseContentDisposition=attachment%3B%20filename%3DUG2_train.tar

UG2_val.tar下载地址：https://bj.bcebos.com/ai-studio-online/b31c6d112f124fee8ad9c67cf332cbde0c3b3bb24aed4de4b3a2b498128c6455?authorization=bce-auth-v1%2F5cfe9a5e1454405eb2a975c43eace6ec%2F2022-09-05T07%3A55%3A48Z%2F-1%2F%2F22e1a3002d0bde1a293ec961045f5cc4e5bdd673cfe251dc5c84bf68172e964b&responseContentDisposition=attachment%3B%20filename%3DUG2_val.tar

PaddleDetection-release-2.4.tar下载地址：https://bj.bcebos.com/ai-studio-online/a9bf30649ffe431cbca10ba792cc0ae618dfaf9a212d4f6fa60ce3cad111f807?authorization=bce-auth-v1%2F5cfe9a5e1454405eb2a975c43eace6ec%2F2022-09-05T07%3A55%3A48Z%2F-1%2F%2F253f03c5bb39604e04882b8f88f587a80707720935130cfafd8777b1ab535e0a&responseContentDisposition=attachment%3B%20filename%3DPaddleDetection-release-2.4.tar

%cd ~/work 
! tar xf ~/data/data167621/PaddleDetection-release-2.4.tar
%cd ~/work/PaddleDetection-release-2.4/dataset
! mkdir hazedet
%cd hazedet
! tar xf ~/data/data167621/UG2_train.tar
! mkdir train
! mv RTTS train
! mv RTTS_dehaze train
! tar xf ~/data/data167621/UG2_val.tar
! mv UG2_val val
%cd ../..

2.3 安装依赖

开始项目前我们需要编译安装 PaddleDetection

%cd ~/work/PaddleDetection-release-2.4
! pip install -r requirements.txt >> /dev/null
! python setup.py install >> /dev/null

3. 数据准备

3.1 数据介绍

RTTS 数据集源自 RESIDE-β 数据集，包含 4322 张真实雾天图片，作为项目训练集。另外有 100 张真实场景图片作为验证集。图像数量分布如下表所示：
在这里插入图片描述
其中文件名带有后缀 xxx_dehaze.png 的文件加入了 SOTA 去雾方法，如 MSBDN、Trident-Dehazing network、FFA-net 等模型，对有雾数据进行去雾，扩充数据集。方法可以参考 https://github.com/BookerDeWitt/MSBDN-DFF.git

3.2 数据结构

文件的组织结构如下（参考COCO）：

>> cd dataset/hazedet
>> tree
|-- annotations
|   |-- rtts_100_val.json
|   |-- rtts.json
|-- train
|   |-- RTTS
|   |   |-- AM_Bing_211.png
|   |   |-- AM_Bing_217.png
|   |   |   …
|   |-- RTTS_dehaze
|       |-- AM_Bing_211_dehaze.png
|       |-- AM_Bing_217_dehaze.png
|       |   …
|-- val
|   |-- HR
|   |   |-- 0.png
|   |-- 10.png
|   |   …
    |-- HR_dehaze
        |-- 0_MSBDN.png
        |-- 10_MSBDN.png
        |   …

4. 模型选择

考虑到应用场景往往需要平衡模型性能和精度，我们选取了PPYOLOE模型。

PP-YOLOE是基于PP-YOLOv2的卓越的单阶段Anchor-free模型，超越了多种流行的YOLO模型。PP-YOLOE有一系列的模型，即s/m/l/x，这里我们选择的是PP-YOLOE-m模型。

PP-YOLOE-m 在 COCO test-dev2017 数据集上精度达到 49.1%，在单卡 V100 上 FP32 推理速度为 123.4FPS, V100 上开启 TensorRT 下 FP16 推理速度为208.3 FPS。

更多细节可前往 https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.4/configs/ppyolo/README_cn.md
查看

5. 模型训练

默认 8 卡配置，如在 AI Studio 使用单卡训练则需要修改train.sh文件。具体修改如下：

export CUDA_VISIBLE_DEVICES=0
python -m paddle.distributed.launch --gpus 0 tools/train.py -c configs-hazedet/ppyoloe/ppyoloe_crn_m_100e_hazedet.yml --eval

! bash train.sh

6. 模型评估

基于 PaddleDetection 库，我们提供了多种预测方式，可自行选择。

模型位置: output/ppyoloe_crn_m_100e_hazedet

! bash eval.sh

7. 模型优化

本小节侧重展示在模型迭代过程中优化精度的思路：

1、Baseline：主干网络加载ImageNet预训练的CSPResNetb_m模型参数，训练100epoch后进行评估：

Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.260
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.499
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.237
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.180
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.319
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.447
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.208
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.413
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.428
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.318
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.550
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.574

2、COCO预训练模型：加载COCO预训练的ppyoloe_crn_m模型模型，并在RTTS数据集进行finetune训练。最终检测mAP获得14.7%的提升。

Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.407
Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.672
Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.416
Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.283
Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.489
Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.716
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.282
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.492
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.510
Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.390
Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.618
Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.769

3、离线数据增强；利用去雾算法对训练集进行离线的数据增广，常见去雾方法如MSBDN、Trident-Dehazing network、FFA-net等模型。
这里我们选择了MSBDN模型，离线对训练集进行了去雾增强，并与原始训练集共同进行训练，目的是通过生成不同雾浓度的图片来丰富训练集，同时通过降低浓雾样本的识别难度，加速模型收敛。最终检测mAP获得0.6%的提升。

11583  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.413
11584  Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.672
11585  Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.415
11586  Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.277
11587  Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.519
11588  Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.726
11589  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.282
11590  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.499
11591  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.517
11592  Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.387
11593  Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.641
11594  Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.780

8. 推理可视化

参考 infer.sh，最终输出文件在 output 目录。

! python tools/infer.py \
  -c configs-hazedet/ppyoloe/ppyoloe_crn_m_100e_hazedet.yml \
  --infer_img=dataset/hazedet/val/HR/59.png \
	-o weights=output/ppyoloe_crn_m_100e_hazedet/best_model

在这里插入图片描述

9. 模型导出

导出推理模型

PaddlePaddle框架保存的权重文件分为两种：支持前向推理和反向梯度的训练模型 和 只支持前向推理的推理模型。二者的区别是推理模型针对推理速度和显存做了优化，裁剪了一些只在训练过程中才需要的tensor，降低显存占用，并进行了一些类似层融合，kernel选择的速度优化。因此可执行如下命令导出推理模型。

默认导出到 inference_model 目录。


# 模型导出
! bash export_model.sh

10. 模型部署

使用飞桨原生推理库paddle-inference，用于服务端模型部署

总体上分为三步：

1、创建PaddlePredictor，设置所导出的模型路径
2、创建输入用的 PaddleTensor，传入到 PaddlePredictor 中
3、获取输出的 PaddleTensor ，将结果取出

#include "paddle_inference_api.h"
 
// 创建一个 config，并修改相关设置
paddle::NativeConfig config;
config.model_dir = "xxx";
config.use_gpu = false;
// 创建一个原生的 PaddlePredictor
auto predictor =
      paddle::CreatePaddlePredictor<paddle::NativeConfig>(config);
// 创建输入 tensor
int64_t data[4] = {1, 2, 3, 4};
paddle::PaddleTensor tensor;
tensor.shape = std::vector<int>({4, 1});
tensor.data.Reset(data, sizeof(data));
tensor.dtype = paddle::PaddleDType::INT64;
// 创建输出 tensor，输出 tensor 的内存可以复用
std::vector<paddle::PaddleTensor> outputs;
// 执行预测
CHECK(predictor->Run(slots, &outputs));
// 获取 outputs ...

更多内容详见 >https://www.bookstack.cn/read/paddlepaddle-v1.4/d9371ca9933605ce.md

我们以Paddle Inference的Python部署为例进行说明：

使用PaddleDetection提供的deploy/python/infer.py脚本可以对图片进行推理预测。项目中我们使用TensorRT FP16进行推理，在单卡V100上推理速度可以达到208fps。

# 推理单张图片
CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py --model_dir=inference_model/ppyoloe_crn_m_100e_hazedet --image_file=dataset/hazedet/val/HR/0.png --device=gpu --run_mode=trt_fp16

# 推理文件夹下的所有图片
CUDA_VISIBLE_DEVICES=0 python deploy/python/infer.py --model_dir=inference_model/ppyoloe_crn_m_100e_hazedet --image_dir=dataset/hazedet/val/ --device=gpu  --run_mode=trt_fp16

# 推理单张图片
! python deploy/python/infer.py --model_dir=inference_model/ppyoloe_crn_m_100e_hazedet --image_file=dataset/hazedet/val/HR/59.png --device=gpu
AI浩
关注
  • 14
    点赞
  • 踩
  • 67
    收藏
    觉得还不错? 一键收藏
  • 12
    评论
专栏目录
无人驾驶技术——YOLO目标检测
xiao_lxl的专栏
08-28 2258
YOLO目标检测
校招准备:（五）：网络
七和
09-19 977
1.网络模型 1.1、5层模型中的数据流动： 1 第五层——应用层(application layer) 2. 第四层——运输层(transport layer)：报文段/用户数据报 运输层(transport layer)：负责向两个主机中进程之间的通信提供服务（端到端的通信）。要达到两个主要目的：第一提供可靠的端到端的通信；第二，向会话层提供独立于网络的运输服务。 引入传输...
目标检测数据集(YOLOV5目录格式)：雾天下的行人、车辆目标检测数据集（5类别）
03-31
项目包含：雾天下的行人、车辆目标检测数据集（5类别），数据保存按照YOLOV5文件夹保存，可直接用作目标检测数据集，无需额外处理。 图像分辨率为400-1000的RGB图片，包含雾天马路上的常见车辆、人群 【数据集介绍】雾天下的行人、车辆图像数据，5类别：人、轿车、公交车、自行车、摩托车 【数据总大小】130MB 数据分为分为训练集和验证集 训练集datasets-images-train：4320张图片和4320个标签txt文件组成 验证集datasets-images-val：100张图片和100个标签txt文件组成 【txt类别文本文件】5类别的具体类别信息 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行
基于改进 的 ＡＯＤ－Ｎｅｔ和 ＹＯＬＯｖ５的雾天车辆行人检测算法
最新发布
07-26
在科技与社会极速发展的当今，道路上具备自动驾驶功能的车辆数目愈发 增多，这些先进的汽车之所以能够实现无人驾驶，是因为车上搭载了大量用于 感知周围环境的传感器与摄像机，通过这些设备采集到的图像与路况信息，汽 车的检测系统便可以对道路上的目标进行精准识别。然而在实际应用场景中， 作为汽车“眼睛”的摄像机，往往要面对比预想中更加复杂的情况，比如夜间 光照强度很低，摄像机成像不清晰，致使获取的图片细节丢失严重，又或是雾 霾天气时，可见度降低、视野内的目标轮廓变得模糊，以致于图像采集质量大 幅降低。以上这些问题都极有可能导致检测算法的精度下降，致使驾驶系统无 法有效获取路况信息。由此可见，克服恶劣天气环境对图像采集质量的影响， 确保自动驾驶任务中检测系统准确性的研究是十分必要的。
Trident Dehazing Network
qq_44185614的博客
07-02 991
针对现有的去雾方法对非均匀雾霾的鲁棒性差，以及高雾霾区域的信息未知且难以估计，导致去雾效果模糊的问题，提出了一种由粗到精的模型Trident Dehazing Network（TDN），用于学习从有雾霾到无雾霾的图像映射，实现雾霾浓度的自动识别。具体地说，TDN由三个子网组成：编码器-解码器网（EDN）是TDN的主网，用于重建粗的无模糊特征;细节细化子网（DRN）用于细化编码器池化层中容易丢失的高频细节;
雾天车辆检测数据集共2848张(司机视角)voc格式标签和yolo格式标签.zip
03-14
雾天车辆检测数据集共2848张(司机视角)voc格式标签和yolo格式标签.zip 【数据集说明介绍】 雾天环境下，车辆数据集，共2848张图片数据，含xml和yolo两种格式标签，是自己做雾天环境车辆检测预警系统项目时用的。 真实雾天环境下车辆行驶数据集，纯手工labelImg工具标注，标注精准，多样性充足，背景丰富，训练拟合效果很好。 类别统一标注为1类【vechile】，多种目标检测算法可直接使用，如(ssd、fasterrcnn、yolo系列算法、centernet等等) 请放心下载使用！
复杂背景下的自动驾驶目标检测数据集
qq_40992227的博客
04-18 6785
有雾数据集 发展： 2017年Li等提出第 1 个端到端的去雾网络 AODNet, 并且讨论了图像去雾对目标检测任务的影响. 其选取目标检测网络 Faster R-CNN与AODNet 进行联合优化训练, 并进行目标检测的评 估, 这是第 1 个涉及合成有雾场景下目标检测的研究. 2019年该课题组发布了大型的合成有雾图像数据集 RESIDE，该数据集包括真实世界有雾场景下的目标检测数据集(annotated realworld task-driven testing set, RTTS), 这是目前唯一带
深度学习目标检测】二十、基于深度学习的雾天行人车辆检测系统-含数据集、GUI和源码（python，yolov8）
AI爱好者的博客，分享计算机领域相关知识
02-26 3535
雾天车辆行人检测在多种场景中扮演着至关重要的角色。总的来说，雾天车辆行人检测技术在提升道路安全、辅助驾驶、提高交通效率以及推动自动驾驶技术的发展等方面都发挥着重要作用。本文介绍了基于深度学习yolov8的雾天行人车辆检测系统，包括训练过程和数据准备过程，同时提供了推理的代码和GUI。对准备相关的毕业设计的同学有着一定的帮助。
基于yolov5的雾天行人车辆目标检测
weixin_67578746的博客
10-14 3343
雾天行人车辆目标检测_数据集-飞桨AI Studio星河社区RTTS 数据集源自 RESIDE数据集（RESIDE-雾天数据集是一个公开的数据集，用于雾天图像处理和计算机视觉的相关研究），RTTS数据集包含 4322 张真实雾天图片，作为项目训练集。另外有 100 张真实场景图片作为验证集。数据集trainval图像数量4322100数据预处理：对收集的图像数据进行清理和预处理，包括图像增强（如对比度增强、图像去雾）等；
基于yolov8的雾天车辆行人检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出
02-26
基于yolov8的雾天车辆行人检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在RTTS数据集上的训练权重，包含best.pt和last.pt两个...
目标检测-FOD-A机场异物数据集
10-25
异物碎片(FOD)检测在机器学习和计算机视觉领域引起了越来越多的关注。介绍了一个名为FOD in Airports (FOD-A)的FOD图像数据集。FOD-A还提供了标记的环境条件。因此，每个注释实例进一步分为三个光照级别类别(明亮、...
Prior-based Domain Adaptive Object Detection for Hazy and Rainy Conditions
weixin_36670529的博客
05-10 2618
目录 摘要 1、简介 2、相关工作 3、提出的方法 3.1、检测网络 3.2、Prior-adversarial训练 3.2、残差特征恢复模块 3.4、整体的损失 4、实验和结果 4.1、实验细节 4.2、适配到雾霾条件 4.3、适配雨场景 5、结论 摘要 恶劣的天气条件，如雾霾和雨水，会破坏捕获图像的质量，导致训练在干净图像上的检测网络在这些图像上表现不佳。为了解决这一问题，我们提出了一种无监督的基于先验的领域对抗目标检测框架，使检测器适应于雾蒙蒙和多雨的条件。基于这些因素，
Non-aligned Supervision for Real Image Dehazing
qq_44185614的博客
06-12 1060
由于天气条件的不可预测性，导致模糊图像和清晰图像对的不对齐，从真实世界图像中去除雾霾是一项挑战。本文提出了一种创新的去雾框架，该框架在非对齐监督下运行。该框架基于大气散射模型，由三个相互连接的网络组成：去雾，空气光和传输网络。特别地，我们探索了一种非对齐场景，即利用与输入模糊图像不对齐的清晰参考图像来监督去雾网络。为了实现这一点，我们提出了一种多尺度参考损失，它比较了参考图像和去雾输出之间的特征表示。我们的场景使得在现实环境中收集模糊/清晰图像对变得更容易，即使在未对准和移位视图的条件下。
目标检测算法——图像去雾开源数据集汇总（速速收藏）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
03-24 4701
🎄🎄近期，小海带在空闲之余收集整理了一批图像去雾开源数据集资源供大家参考。整理不易，小伙伴们记得一键三连喔！！！🎈🎈
去雾/雾天数据集整理（done）
木槿qwer的博客
04-03 2104
统计之前看到的雾天数据集信息
paddle篇---用yolov3训练自己的数据集
心惠天意
11-11 2852
用yolov3训练自己的数据集
Unsupervised Domain Adaption of Object Detectors : A Survey
weixin_36670529的博客
02-24 1727
目录 0. 维度和轴 1. np.concatenate() 2. pd.append() 3. np.stack() 4. hstack、vstack和vstack 5. column_stack和row_stack 6. np.r_ 和np.c_ 7. 总结 Numpy中提供了concatenate,append, stack类(包括hsatck、vstack、dstack、row_stack、column_stack),r_和c_等类和函数用于数组拼接的操作。 各种函数的特点和区别
极端天气数据集（雾天道路数据）
阿利同学的博客
11-01 4328
#极端天气数据集 #雾天道路数据集# 语义分割数据集#目标检测
基于yolov5的雾天行人车辆检测
11-28
基于Yolov5的雾天行人车辆检测可以通过以下步骤实现： 1.准备数据集：收集并标注雾天环境下的行人和车辆图像数据集。 2.训练模型：使用Yolov5算法对数据集进行训练，得到行人和车辆目标检测模型。 3.模型测试：使用训练好的模型对新的雾天环境下的图像进行目标检测。 具体实现步骤如下： 1.安装Yolov5：在终端中输入以下命令安装Yolov5。 ```shell git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt ``` 2.准备数据集：收集并标注雾天环境下的行人和车辆图像数据集。将数据集划分为训练集和测试集，并将其放置在相应的文件夹中。 3.训练模型：在终端中输入以下命令训练模型。 ```shell python train.py --img 640 --batch 16 --epochs 100 --data data.yaml --cfg models/yolov5s.yaml --weights '' --name yolov5s_results ``` 其中，--img指定输入图像的大小，--batch指定批量大小，--epochs指定训练轮数，--data指定数据集的配置文件，--cfg指定模型的配置文件，--weights指定预训练模型的权重文件，--name指定训练结果的保存文件夹。 4.模型测试：在终端中输入以下命令测试模型。 ```shell python detect.py --weights runs/train/yolov5s_results/weights/best.pt --img 640 --conf 0.4 --source test/images/ ``` 其中，--weights指定训练好的模型的权重文件，--img指定输入图像的大小，--conf指定置信度阈值，--source指定测试集的图像文件夹。
评论 12
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