在Yolov8中使用自己的网络结构以及预训练权重进行训练的方法

已于 2024-04-14 00:34:41 修改
阅读量1.6k 收藏 6
点赞数 5
文章标签： YOLO
于 2024-04-14 00:34:18 首次发布
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/qq_33791347/article/details/137729615
版权

除了使用train.py以及命令行进行训练以外，我们还可以使用

yolo cfg=ultralytics/cfg/default.yaml

来进行训练，并且在default.yaml文件内设置网络结构、预训练权重、训练轮次等内容。当我们直接在从Github上获取的预训练权重基础之上进行训练且不需要更改网络结构时，直接将model指向权重的.pt文件即可。

但是我们时常需要使用自己优化后的网络结构配合从Github上获取的预训练权重来进行训练。对此我们只需要对default.yaml文件进行以下修改即可。

Tenake
关注
  • 5
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
Yolov8改进模型后使用预训练权重迁移学习训练自己的数据集
weixin_44957800的博客
04-28 2万+
windows下yolov8训练改进模型并使用自己的数据集
yolov8自备数据集训练的目标检测
qq_44701348的博客
11-18 2201
笔者可以算是小白一枚，为测试无人机识别模块的精准度，需要识别一个自制做的圆盘，特作此小项目。由于自己在整个过程踩过很多坑，也走过不少弯路，完成这个小项目，离不开CSDN中很多博主博客的借鉴学习（文中已标明各个博主文章出处），特此将整个流程记录下来，主要是为了自己做个笔记备份，二是希望需要学习的同学也能少走弯路。最后，我想说是从零将yolov8跑起来是个一个十分折磨人的过程，希望大家能有耐心，细心研究。笔者作为一个刚入门的小白，能力有限，初次写文章，难免可能有些小错误，敬请谅解。
YOLOV8训练自己的数据集教程
最新发布
z240626191s的博客
05-21 1739
YOLOV8是一种先进的目标检测算法，能够在图像和视频中快速准确地识别多个对象。随着计算机视觉和深度学习技术的不断发展，YOLOV8已成为许多领域中的重要工具，包括智能监控、自动驾驶、工业检测等。然而，由于不同应用场景的差异，，因此对于提高检测精度和适应特定场景至关重要。本教程将向各位介绍，以便更好地满足个性化的目标检测需求。，本文章包含了YOLOV8网络结构图的详解。
yolov8目标检测预训练权重
04-19
该资源包含：yolov8n.pt，yolov8s.pt，yolov8m.pt，yolov8l.pt，yolov8x.pt目标检测预训练权重文件
YOLOv8预训练权重文件集合(YOLOv8n,YOLOv8s,YOLOv8m,YOLOv8l,YOLOv8x)
06-23
YOLOv8预训练权重文件集合(YOLOv8n,YOLOv8s,YOLOv8m,YOLOv8l,YOLOv8x) YOLOv8 pretrained Detect models are shown here. Detect, Segment and Pose models are pretrained on the COCO dataset, while Classify models are pretrained on the ImageNet dataset. Model size (pixels) mAPval 50-95 Speed CPU ONNX (ms) Speed A100 TensorRT (ms) params (M) FLOPs (B) YOLOv8n 640 37.3 80.4 0.99 3.2 8.7 YOLOv8s 640 44.9 128.4 1.20 11.2 28.6 YOLOv8m 640 50.2 234.7 1.83 25.9 78.9 YOLOv8l 640 52.9 375.2 2.39 43.7 165.2 YOLOv8x 640 53
yolov8训练自己的数据集以及权重转化为.engine格式(超详细)
qq_44859533的博客
03-18 1937
最下面的训练结果就是最新的。项目中打开ultralytics中的models中的yolo中的pose中的train.py文件,运行。项目里面的 pre_work 文件夹里面 “seg_split_data.py” .双击进去。项目里面的 pre_work 文件夹里面 “检查coco格式的json.py” .双击进去。项目里面的 pre_work 文件夹里面 “pose_json_txt.py” .双击进去。项目里面的 pre_work 文件夹里面 “coco_json.py” .双击进去。
yolov8电动车检测训练权重+数据集+pyqt界面
04-23
1、yolov8电动车检测训练权重，包含VOC电动车检测数据集，电动摩托车识别，使用lableimg标注软件，标注好的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，即xml和txt格式的标签，分别保存在两个文件夹中，可以直接用于YOLO系列的打电话检测；类别为electric_motor； 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743
YOLOv8中混合精度训练及其预权重的修改
lianxingchen的博客
08-08 3520
在YOLO中，混合精度预训练权重是指使用混合精度（mixed-precision）训练技术训练得到的预训练权重。混合精度训练是一种利用低精度数据类型（如半精度浮点数）进行计算的训练方法，以减少计算资源的消耗并提高训练速度。混合精度训练通常结合使用高精度浮点数（如单精度浮点数）和低精度浮点数来进行计算。具体而言，在混合精度中，大部分计算会使用低精度浮点数进行，而少数需要更高精度的计算会使用高精度浮点数。在YOLO中使用混合精度预训练权重的主要目的是提高目标检测算法的推理速度。
【Pytorch】修改网络后加载预训练权重
晴明大大的创作中心
05-16 1万+
内容 本文章带大家如何给自己修改过后的网络，加载预训练权重。 很多小伙伴针对某一模型进行修改的时候，在修改模型后想要加载预训练权重，会发现频频报错，其实最主要原因就是权重的shape对应不上。 注意：以下方法仅仅针对于在原网络改动不大的情况下加载预训练权重！ 1、.pt文件----->model：从.pt文件直接加载预训练权重。 # 模板 ckpt = torch.load(weights) # 加载预训练权重 model = Model() # 创建我们的模型 model_dict = mode
C++ YOLOv3推理 第二讲: 权重及参数加载
qq_19859865的博客
12-30 498
模型参数的记载到此基本讲完，读取的这些参数的作用，只有结合具体的推理，才能更好的理解诶，这也是下一章的目标。另外，gguf的参数加载细节在这里也没有介绍，这也是应该后面详细说明的。
YOLO 训练VOC数据集，用最后训练出的权重无法检测物体。
qq_32473523的博客
07-16 1520
YOLO 训练VOC数据集，最后显示如下: 我的原因： 之前修改了darknet/cfg/yolov3-voc.cfg文件 # Testing batch=1 subdivisions=1 # Training #batch=64 #subdivisions=16 训练的时候，我的batch是1，然后可能batch太小了，导致loss没有收敛，训练的权重根本没用，所以训练的时候，记得修改对应的batch大小。 ...
YOLOv5原作预训练权重（2021.4.12发布）
05-30
使用这些预训练权重，开发者可以快速部署自己的目标检测应用，只需要将模型加载到代码中，然后对新的数据进行推理。对于特定领域的应用，可以进一步在这些预训练模型基础上进行微调，以适应特定类别的目标检测任务。...
yolov5预训练权重文件，包括l,m,s,x四个权重文件
08-02
总的来说，YOLOv5的预训练权重文件为开发者提供了便利，使他们能够在各种目标检测任务中快速启动并获得良好的初始性能。通过合理选择和适配模型，我们可以有效地解决计算机视觉中的物体检测问题，提高应用的实用性和...
yolov7预训练权重
07-18
使用这些预训练权重，开发者可以方便地在自己的目标检测任务上进行迁移学习，只需将模型加载到新的数据集上，然后进行几轮的微调，就可以获得针对特定场景的高性能检测器。这极大地减少了从头训练模型所需的时间和...
YOLOv8预训练权重文件集合(YOLOv8n,YOLOv8s,YOLOv8m,YOLOv8l,YOLOv8x
11-14
预训练权重文件是已经通过大量数据训练好的模型参数，使用者可以将其加载到自己的网络中，以快速进行目标检测任务，而无需从头开始训练。以下是关于YOLOv8及其预训练权重文件的详细知识点： 1. **YOLO（You Only ...
yolov8训练自己的数据集（源码）.rar
05-09
YOLOv8的网络结构可能基于Darknet，这是一种轻量级的卷积神经网络（CNN）。它通常包含多个卷积层、池化层和上采样层，用于特征提取和目标检测。YOLO系列模型在设计时注重平衡检测精度和计算效率。 6. 锚框（Anchor ...
yolo模型修改后怎么加载预训练权重
weixin_54723793的博客
07-26 6058
问题描述 修了yolov3网络模型结构，但想要使用原网络的预训练权重 解决办法 总体思想就是把预训练权重当成一个有序字典处理，其实本质上它就是一个有序字典。有序字典的定义及用法这里不赘述，不了解的自己去查。 采用for循环，加载部分权重。 代码实现 # 载入与训练权重，此时并未载入网络 ckpt = torch.load(weights, map_location=device) # 取出网络的模型，其中里面的参数是调用:_initialize_weights(self)生成的 model_stat
视频目标检测 yolo算法小模型自训练模型对比（yolov5 yolov7 yolov8）
qq_42835363的博客
07-19 6809
Yolo系列模型训练结果及测试结果对比： yolov5 yoloX yolov7 yolov8各个yolo系列版本对应小模型训练及测试对比 原理 测试结果 对比
手把手实现 | 使用Yolov8训练自己的数据集【环境配置-准备数据集(采集&标注&划分)-模型训练(多种方式)-模型预测-模型导出】
热门推荐
穿着帆布鞋也能走猫步
09-04 3万+
使用Yolov8训练自己的数据集
yolov8如何不使用预训练权重进行训练
05-18
在使用 YOLOv8 进行目标检测时，可以通过在训练时不载入预训练权重来实现从头开始训练的目的。具体步骤如下： 1. 定义模型结构：首先需要定义 YOLOv8 的模型结构，包括输入数据尺寸、卷积层、池化层、全连接层等。 2. 初始化权重：对于每一层，可以随机初始化权重，或者使用一些常见的初始化方法如 Xavier 或 He 等。 3. 加载数据集：将数据集加载到内存中，并进行预处理，例如图像缩放、归一化等。 4. 训练模型：使用加载的数据集对模型进行训练，可以采用随机梯度下降（SGD）等优化算法，对模型进行迭代优化。 5. 评估模型：在训练过程中，可以定期对模型进行评估，计算准确率、召回率等指标，以便确定模型的性能和优化方向。 6. 保存模型：在训练完成后，将模型保存到磁盘上，以便在后续的测试和应用中使用。 需要注意的是，从头开始训练需要较大的计算资源和时间，因此在实际应用中，可以考虑使用预训练权重进行微调，以加快训练速度和提高模型性能。

“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 4
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