yolov5学习笔记

dotJunz

已于 2022-07-13 20:46:53 修改

阅读量2.2k

点赞数 1

分类专栏： # 毕设文章标签：深度学习计算机视觉目标检测

于 2022-01-11 09:44:04 首次发布

本文链接：https://blog.csdn.net/m0_46283220/article/details/122380054

版权

毕设专栏收录该内容

10 篇文章 11 订阅

订阅专栏

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

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

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。
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。
data：训练所用数据集。为*.yaml文件。可填入下列文件。
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）。
epochs：训练轮数。默认300轮。
batch-size：每批数据量的大小。
img-size：设置训练集和测试集图片的大小。
rect：
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。
nosave：只保存最后一次训练的结果。only save final checkpoint.
notest：只在最后一轮测试。only test final epoch.
noautoanchor：是否采用锚点（锚框）。
evolve：进化最优参数。寻找最优参数。
cache-images：是否缓存图片以进行更快的训练。cache images for faster training.
multi-scale：对图片尺寸进行变换。
single-cls：训练的数据集是单类别还是多类别。
project：训练结果保存路径。
name：保存的文件名。
exist-ok：默认每次训练增加一个文件夹，设置的话覆盖原来的。
label-smoothing：标签平滑。防止过拟合现象的产生。