yolov5学习笔记

用已有模型预测自己的图片和视频

配置环境略。
在detect.py文件中改一下路径,或者把下载好的图片放入对应文件夹即可。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

目标检测指标

IoU 的全称为交并比(Intersection over Union)。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。

yolov5-5.0版本train.py参数含义

  1. weights:训练好了的模型文件,为*.pt文件,用这个模型初始化网络中的参数。若从头开始训练,默认值为空。可以填入如yolov5s.pt、yolov5m.pt、yolov5l.pt、yolov5x.pt等。

  2. cfg:模型结构。为 model.yaml 形式文件。可以填入如models/yolov5s.yaml、models/yolov5m.yaml、models/yolov5l.yaml、models/yolov5x.yaml等。
    在这里插入图片描述

  3. data:训练所用数据集。为*.yaml文件。可填入下列文件。
    在这里插入图片描述

  4. hyp:超参数。可填入下列文件。其中 hyp.scratch.yaml 用于从头开始训练(对COCO数据集),hyp.finetune.yaml 用于对模型进行微调(对VOC数据集)。
    在这里插入图片描述

  5. epochs:训练轮数。默认300轮。

  6. batch-size:每批数据量的大小。

  7. img-size:设置训练集和测试集图片的大小。

  8. rect:

  9. resume:从某个未训练完的模型中断的地方开始继续训练。填入中断模型的路径。

  10. nosave:只保存最后一次训练的结果。only save final checkpoint.

  11. notest:只在最后一轮测试。only test final epoch.

  12. noautoanchor:是否采用锚点(锚框)。

  13. evolve:进化最优参数。寻找最优参数。

  14. cache-images:是否缓存图片以进行更快的训练。cache images for faster training.

  15. multi-scale:对图片尺寸进行变换。

  16. single-cls:训练的数据集是单类别还是多类别。

  17. project:训练结果保存路径。

  18. name:保存的文件名。

  19. exist-ok:默认每次训练增加一个文件夹,设置的话覆盖原来的。

  20. label-smoothing:标签平滑。防止过拟合现象的产生。

参考资料

  1. https://github.com/ultralytics/yolov5
  2. https://space.bilibili.com/203989554?spm_id_from=333.788.b_765f7570696e666f.1
  • 1
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

dotJunz

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
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