如何用yolov5 训练自己的数据

最新推荐文章于 2024-06-13 23:59:29 发布
最新推荐文章于 2024-06-13 23:59:29 发布
阅读量440 收藏
点赞数
分类专栏： ai模型搭建，平台部署课程 文章标签： 深度学习 人工智能
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/monk96/article/details/128382562
版权

文章目录

说明

  • 利用yolov5 训练自己的数据集

通常需要利用自己标注的数据进行训练
接下来记录下如何训练自己的数据

数据准备

我这用的是自己的数据集，一个射击检测的数据，小批量数据

下载地址： https://download.csdn.net/download/monk96/87321729

图像数据：
在这里插入图片描述

  • 目录格式：
    在这里插入图片描述
    ImagesSets 是作者划分的数据集，不过我们一般都是删掉自己划分。
    JPEGImages:
    存放原始图片， 有的说要放在images里， 这个是因为yolov5的datasetloader 写的是images，
    我们只需要改成自己的目录就可以了。

划分完的结果
在这里插入图片描述

划分数据集

我

了解本专栏 订阅专栏 解锁全文 超级会员免费看
东哥爱编程
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
yolov5训练visdrone数据集
05-09
yolov5训练visdrone数据集
基于YOLOv7训练自己数据集源码+voc转yolo脚本.rar
04-14
1、资源内容：基于yolov7训练自己数据集（完整源码+说明文档+数据）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程设计...
yolov8训练自己的数据集（源码）.rar
05-09
yolov8训练自己的数据集（源码）
Visdrone数据集YOLOv5训练权重 yolov5-5.0-visdrone.zip
01-20
Visdrone数据集YOLOv5训练权重： 1、包括训练好的YOLOv5s-visdrone.pt 和yolov5m-visdrone.pt两个模型 2、包含各种训练曲线 3、包含相关场景测试视频 4、附上了yolov5-5.0的代码
YOLOv5训练车辆类型识别TXT数据集
03-21
YOLOv5训练车辆类型识别TXT数据集.自己整理的车辆类型数据集 一共1400张图片，共分7个类別， 分别为Bus，Car，SportsCar，MicroBus，Truck，SUV，Jeep是TXT格式的数据集，用LabelImg工具进行标注，可以转成TFRecord...
深度学习长文｜使用 JAX 进行 AI 模型训练
冷冻工厂
06-13 258
实际上，考虑到 PyTorch 背后庞大的开发者社区，以及 PyTorch 所原生支持而 JAX/FLAX 尚未涵盖的众多特性（例如自动混合精度、先进的注意力机制层，至少在本文撰写时），有人可能会强烈主张没有必要投入时间去掌握 JAX。在本文中，我们将使用 Flax，据本文撰写时的观察，它似乎是最受欢迎的选择。值得注意的是，每个机器学习开发框架都可能拥有其独到的特性（例如，截至本文撰写时，JAX 的 SPMD 自动分片和 PyTorch 的 SDPA 注意力机制），这些特性可能在性能比较中起到关键作用。
基于深度学习的向量图预测
weixin_42605076的博客
06-13 465
基于深度学习的向量图预测通过构建和训练复杂的神经网络模型，有效地从像素图像中提取几何信息，生成高质量的向量图形。尽管面临数据表示、几何复杂性和数据集缺乏等挑战，但随着深度学习技术的不断进步，向量图预测在多个领域展现出了广阔的应用前景。通过数据增强和预处理技术，可以进一步提升向量图预测模型的鲁棒性和准确性。
高创新 | CEEMDAN-VMD-BiLSTM-Attention双重分解+双向长短期记忆神经网络+注意力机制多元时间序列预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
06-13 810
高创新 | CEEMDAN-VMD-BiLSTM-Attention双重分解+双向长短期记忆神经网络+注意力机制多元时间序列预测
区间预测 | Matlab实现EVO-CNN-SVM能量谷算法优化卷积神经网络支持向量机结合核密度估计多置信区间多变量回归区间预测
最新发布
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
06-13 377
区间预测 | Matlab实现EVO-CNN-SVM能量谷算法优化卷积神经网络支持向量机结合核密度估计多置信区间多变量回归区间预测
深度学习：使用argparse 模块
xw555666的博客
06-13 753
argparse 模块是 Python 标准库中的一个模块，用于解析命令行参数。它可以帮助开发者轻松地编写用户友好的命令行接口，使得程序可以通过命令行参数来接受用户输入，并根据这些输入执行相应的功能。以一段代码为例，展示了如何使用 argparse 模块解析命令行参数并执行特定操作。通过结合命令行参数和脚本逻辑，可以方便地实现复杂的任务自动化流程。上述示例详细解释了命令行参数的传递和处理方式，有助于更好地理解和使用 argparse 模块。
区间预测 | Matlab实现LSTM-ABKDE长短期记忆神经网络自适应带宽核密度估计多变量回归区间预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
06-09 584
区间预测 | Matlab实现LSTM-ABKDE长短期记忆神经网络自适应带宽核密度估计多变量回归区间预测
从GAN到WGAN（01/2）
gongdiwudu的专栏
06-09 884
生成对抗网络 （GAN） 在许多生成任务中显示出巨大的效果，以复制现实世界的丰富内容，如图像、人类语言和音乐。它的灵感来自博弈论：两个模型，一个生成器和一个批评家，在相互竞争的同时使彼此更强大。然而，训练GAN模型是相当具有挑战性的，因为人们面临着训练不稳定或收敛失败等问题。在这里，我想解释一下生成对抗网络框架背后的数学原理，为什么很难训练，最后介绍一个旨在解决训练难点的GAN修改版本。
机器学习——卷积神经网络
star_and_sun的博客
06-09 491
多层感知机MLP的层数足够，理论上可以用其提取出二位特征，但是毕竟复杂，卷积神经网络就可以更合适的来提取高维的特征。如果将f进行翻转，得到的参数在位置上是翻转的，对参数数值没有影响。这样的运算称为互相关。是每个像素点对应的权重，权重越大，重要程度越大，这里的权重。在CNN中进行卷积运算的层称为。而卷积其实是一种运算。是一个图像的像素点，
深度学习500问——Chapter11：迁移学习（2）
不要给自己设限，尝试更多可能（思所向 皆可往）
06-11 1101
在最新的研究成果中，香港科技大学的Tan等人扩展了实例迁移学习方法的应用场景，提出 了传递迁移学习方法(Transitive Transfer Learning, TTL) [Tan et al.,2015] 和远域迁移学习 (Distant Domain Transfer Learning,DDTL) [Tan et al.,2017]，利用联合矩阵分解和深度神经网络，将迁移学习应用于多个不相似的领域之间的知识共享，取得了良好的效果。而基于特征表示的迁移学习方法效果更好,是我们研究的重点。
1.动手学习深度学习课程安排及深度学习数学基础
kaszxc的博客
06-13 31
​ 首先，我们导入torch，注意，虽然它被称为pytorch，但我们应该导入torch而不是pytorch。矩阵相当于一个扭曲空间，把下图中的蓝线和绿线，扭曲到不同方向和长度。
基于python-CNN深度学习的食物识别-含数据集+pyqt界面
分享知识
06-10 362
本代码对数据集进行了预处理，包括通过在较短边增加灰边，使得图片变为正方形(如果图片原本就是正方形则不会增加灰边)，和旋转角度，来扩增增强数据集，运行02深度学习模型训练.py就会将txt文本中记录的训练集和验证集进行读取训练，训练好后会保存模型在本地。运行03pyqt_ui界面.py就可以有个可视化的ui界面，通过点击按钮可以加载自己感兴趣的图片识别。下载本代码后，有个requirement.txt文本，里面介绍了如何安装环境，环境需要自行配置。本代码是基于python pytorch环境安装的。
【复旦邱锡鹏教授《神经网络与深度学习公开课》笔记】感知器
qq_48520962的博客
06-09 740
感知器是一种非常早期的线性分类模型，作为一种简单的神经网络模型被提出。感知器是一种模拟生物神经元行为的机器，有与生物神经元相对应的部件，如权重（突触）、偏置（阈值）及激活函数（细胞体），输出为+1或-1。
torch.squeeze() dim=1 dim=-1 dim=2
qq_45452617的博客
06-12 435
对数据的维度进行压缩将输入张量形状中的1 去除并返回。如果输入是形如(A×1×B×1×C×1×D)，那么输出形状就为： (A×B×C×D)当给定dim时，那么挤压操作只在给定维度上。例如，输入形状为: (A×1×B), squeeze(input, 0) 将会保持张量不变，只有用 squeeze(input, 1)，形状会变成 (A×B)。
基于CNN-RNN模型的验证码图片识别
科学的N次方
06-13 284
基于CNN-RNN模型的验证码识别方法能够有效处理复杂的验证码问题，结合了卷积神经网络的特征提取能力和循环神经网络的序列建模能力。通过使用CTC解码，可以在没有逐帧标注的情况下预测验证码中的字符序列。这种方法在实际应用中具有很高的准确率和适应性。
YOLOv5训练自己数据集
12-01
以下是使用YOLOv5训练自己数据集的步骤： 1. 准备数据集 首先需要准备自己的数据集，包括图片和标注文件。标注文件可以使用常见的格式，如VOC、COCO等。 2. 安装YOLOv5 在使用YOLOv5之前，需要先安装YOLOv5。...

“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
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

打赏作者

东哥爱编程

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