YOLOv3训练过程中重要参数的理解和输出参数的含义

最新推荐文章于 2024-03-26 12:24:56 发布
最新推荐文章于 2024-03-26 12:24:56 发布
阅读量306 收藏
点赞数
分类专栏： 笔记
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_40703341/article/details/109855559
版权

参考：
1

Wzw_L_Wx
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
yolov3-spp.pt
05-02
yolov3-spp.pt 预训练权重
YOLOv8_Pose使用TensorRT-Alpha部署自己训练的关键点模型
最新发布
qq_42845499的博客
04-18 308
要注意的是同一副图里有多个目标的时候，每个目标的box和keypoint要设置成同一个group_id,如图所示。两个关键点修改成如图，m_output_objects_width根据后面的公式自己计算。后处理函数中的参数也要自己计算修改，这个参数为xywhc + points * 17。上图的一个目标有两个关键点head和tail以及一个box fish。修改app_yolov8_pose.cpp。将训练得到的pt模型导出并转换，参考。修改yolov8_pose.cpp。修改utils.cpp。
YOLO性能指标
是云就要飞的博客
10-21 2365
yolo性能指标学习总结
yolov8训练中keyError报错
qq_45640098的博客
03-26 278
的是anaconda包里面的文件。但是我们改的是我们自己的文件，并没有修改这个包里面的文件，所以就会出现找不到我们修改的模块的提示。这其实是因为我们的下列这部分文件和我们anaconda环境下的这个包所在位置的文件冲突了。当我们用自己的模块对yolov8进行改进时，会发现运行后出现这个keyError错误。解决方法很简单，就是用我们自己修改过的文件去替换掉这个包里面的文件。观察发现两个地方的文件是一模一样的！
yolopose笔记
qq_39066502的博客
08-09 397
进行人体关键点观测时默认用OKS_SIGMA，定义在yolo\utils\metrics.py中，OKS_SIGMA = np.array([.26, .25, .25, .35, .35, .79, .79, .72, .72, .62, .62, 1.07, 1.07, .87, .87, .89, .89]) / 10.0，否则所有点赋予同样的权重。
yolov5 训练结果解析
热门推荐
m0_54111890的博客
03-08 2万+
yolov5 训练结果解析 在每次训练之后，都会在runs-train文件夹下出现一下文件，如下图： 一：weights 包含best.pt（做detect时用这个）和last.pt（最后一次训练模型） 二：confusion 1：混淆矩阵： ①：混淆矩阵是对分类问题的预测结果的总结。使用计数值汇总正确和不正确预测的数量，并按每个类进行细分，这是混淆矩阵的关键所在。混淆矩阵显示了分类模型的在进行预测时会对哪一部分产生混淆。它不仅可以让我们了解分类模型所犯的错误，更重要的是可以了解哪些错.
自建数据集进行yolov5的训练
qq_44902386的博客
09-24 1153
自建数据集进行yolov5的训练
Yolo训练时，输出的参数的含义
不见围墙
04-11 5006
Yolo训练时，输出的参数的含义
学习经验分享【NO.1】：YOLOv5查看数据集各类别实例数目
m0_70388905的博客
05-16 3294
问题：YOLOv5训练时会产生label.jpg的图片，如下所示。但是看不到具体列别的实例数据，在写论文的时候需要此数据描述数据集。 解决方法：在plot.py中增加打印实例数据的代码，具体代码如下所示 def plot_labels(labels, names=(), save_dir=Path('')): # plot dataset labels LOGGER.info(f"Plotting labels to {save_dir / 'labels.jpg'}... .
【论文阅读】【yolo系列】YOLACT Real-time Instance Segmentation
magic_ll的博客
06-28 1797
事实上，我们在COCO上的基本模型在测试集上的mask和box的mAP（29.8mask，32.3box）之间只有2.5 mAP的差异，这意味着即使使用完美的掩码，我们的基本模型也只能获得少数mAP点。此外，Mask R-CNN具有相同的mAP差异（35.7mask，38.2 box），这表明两种方法之间的差距在于我们的检测器的性能相对较差，而不是我们生成掩码的方法。因为预测系数是困难的。例如，在图7中，YOLACT 产生了一个干净的手臂边界的掩码，而FCIS和Mask R-CNN都有更多的噪声。
yolov3 目标检测 训练过程可视化 python
04-19
源代码可以画出loss和iou的曲线，修改相应的路径就可以使用，遇到任何问题可以私聊我
YOLOv3 训练日志
03-30
为了解决一部分童鞋的疑惑，训练时候的各个参数是否正常。 今天又重新训了一次，截取前200次迭代日志。方便大家参考对照。
yolov3训练步骤
05-07
描述yolov3训练过程，文件建立，标签生成，测试过成，及注意事项
Darknet框架下YOLOv3训练数据集详细训练和评估过程.pdf
03-04
Darknet框架下YOLOv3训练数据集详细标注、训练、测试、评估完整过程，
windows10 yolov3训练自己的数据.docx
08-03
window 10下如何使用yolov3训练自己的数据，不需要像网上所说要先生成.json文件，直接可以用txt文件。然后详细描述了制作的数据集格式和存储位置配置，同时包含整个项目所需的各种资源下载链接。
RGB颜色值对照表_用于OpenCV绘图
qq_40703341的博客
11-20 5597
RGB(255,23,140)是光的三原色，也即红绿蓝Red、Green、Blue,它们的最大值是255，相当于100%。 常用颜色： 白色：rgb(255,255,255) 黑色：rgb(0,0,0) 红色：rgb(255,0,0) 绿色：rgb(0,255,0) 蓝色：rgb(0,0,255) 青色：rgb(0,255,255) 紫色：rgb(255,0,255) 调整相关数字，便可以得到深浅不一的各种颜色。 参考： 1 ...
halcon标定精度差的原因（x,y方向均差异较大）
qq_40703341的博客
11-11 2592
在转换成世界坐标系的时候，将x，y进行调换
Ubuntu查看显卡使用情况
qq_40703341的博客
12-02 2495
1.基础版 nvidia-smi 2.实时版 watch -n 1 nvidia-smi
深度学习中验证集与测试集的区别
qq_40703341的博客
11-20 1909
验证集 —— 是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。 测试集 —— 用来评估模最终模型的泛化能力。但不能作为调参、选择特征等算法相关的选择的依据。 训练集用于模型参数，测试集用于估计模型对样本的泛化误差，验证集用于“训练”模型的超参数。 我们知道一个机器学习模型通常包括两个部分的参数：模型参数和超参数。其中超参数是用于控制模型行为的超参数，这些参数不是通过模型本身学习而来的。例如多项式回归模型里面，多项式的次数，学习速率是超参数。这些超参数不能由模型本身
yolov8训练越来越差如何调参数
07-27
要调整YOLOv8的训练参数以改善训练结果，可以考虑以下几个方面： 1. 批次大小（batch size）和子分区（subdivisions）：根据引用\[1\]和引用\[3\]的描述，批次大小和子分区的设置会影响训练过程中每个迭代中参与训练的样本数量。如果你的训练样本中包含了很多小目标，可以尝试增大批次大小，以便更好地捕捉小目标的特征。同时，适当调整子分区的数量也可以减轻内存占用的压力。你可以根据实际情况尝试不同的批次大小和子分区的组合，找到最适合你的数据集的设置。 2. 学习率（learning rate）：学习率是控制模型参数更新的速度的重要参数。如果训练结果变差，可以尝试调整学习率。一般来说，如果训练过程中损失函数下降缓慢，可以尝试增大学习率；如果损失函数下降过快或出现震荡，可以尝试减小学习率。通过逐步调整学习率，可以找到一个合适的值来平衡训练速度和模型性能。 3. 数据增强（data augmentation）：数据增强是一种通过对训练样本进行随机变换来扩充数据集的方法。通过引入更多的样本变化，可以提高模型的泛化能力。你可以尝试在训练过程中使用不同的数据增强技术，如随机裁剪、旋转、缩放等，以增加数据的多样性。 4. 网络结构：YOLOv8的网络结构包含了多个卷积层和池化层，你可以尝试调整网络结构的深度、宽度或其他参数，以适应你的数据集和任务需求。例如，你可以增加网络的层数或通道数，以提高模型的表达能力。 综上所述，调整YOLOv8的训练参数需要综合考虑批次大小、子分区、学习率、数据增强和网络结构等因素。通过不断尝试和调整这些参数，你可以逐步改善YOLOv8的训练结果。 #### 引用[.reference_title] - *1* *2* *3* [YOLOv3训练过程中重要参数的理解和输出参数的含义](https://blog.csdn.net/martinkeith/article/details/103009177)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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
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