YOLOX训练自己的数据集(超详细)

已于 2023-01-13 15:31:20 修改
阅读量7.5w 收藏 551
点赞数 72
分类专栏： YOLO系列实战教程 文章标签： 深度学习 神经网络
于 2021-09-22 11:28:26 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_40716944/article/details/120409457
版权

目录

 

一、YOLOX安装

1、下载GitHub上的代码 

2、安装yolov5所需要的依赖环境

        （1）、安装代码依赖的库文件

        （2）、通过setup.py安装一些库文件

        （3）、安装apex文件

二、YOLOX训练自己的数据集

1、数据集预处理

2、修改代码

（1）、将yolox/data/datasets/voc_classes.py中的标签信息，进行修改。

（2）、修改类别数量

（3）、修改训练集信息

（4）、修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。

（5）、修改不同的网络结构

 （6）、修改其他相关参数

三、YOLOX训练

1、终端训练

2、Pycharm训练

四、YOLOX训练及常见问题

1、利用demo.py进行测试

2、利用eval.py进行测试

YOLOX是旷视提出来的，研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与 YOLO 进行了巧妙地集成组合，不仅实现了超越 YOLOv3、YOLOv4 和 YOLOv5 的 AP，而且取得了极具竞争力的推理速度。 

一、YOLOX安装

1、下载GitHub上的代码 

        git clone https://github.com/Megvii-BaseDetection/YOLOX

2、安装yolov5所需要的依赖环境

        （1）、安装代码依赖的库文件

        cd /home/xxx/xxx/xxxr/YOLOX-main

        pip3 install -U pip && pip3 install -r requirements.txt

        （2）、通过setup.py安装一些库文件

        通过setup.py安装一些库文件

        输入命令：python3 setup.py develop

        （3）、安装apex文件

        输入命令：git clone https://github.com/NVIDIA/apex

        sudo pip3 install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./  

二、YOLOX训练自己的数据集

1、数据集预处理

        在这里选择使用VOC格式对YOLOX进行训练，处理的图片主要包含三个文件夹，其中Annotations存放的是xml标签数据，JPEGImages存放的是图片数据，ImageSets存放的是训练、验证、测试的txt文件。

2、修改代码

（1）、将yolox/data/datasets/voc_classes.py中的标签信息，进行修改。

注意：类别后面都要加逗号，例如“car”后面加了一个逗号“，”。

（2）、修改类别数量

  • 修改exps/example/yolox_voc/yolox_voc_s.py中的self.num_classes

  • 修改yolox/exp/yolox_base.py中的self.num_classes

（3）、修改训练集信息

  • 修改exps/example/yolox_voc/yolox_voc_s.py中的VOCDection。

        data_dir是前面product_ak的绝对路径，

        images_sets修改为trainval

        max_labels表示图片最多的目标数量，设为50。

  • 修改yolox/data/datasets/voc.py中，VOCDection函数中的读取txt文件。

（4）、修改exps/example/yolox_voc/yolox_voc_s.py中的get_eval_loader函数。

         data_dir是前面product_ak的绝对路径，

         images_sets修改为test

（5）、修改不同的网络结构

        以YOLOX_l网络为例，比如在exps/default/yolox_s.py中，self.depth=1.0，self.width=1.0。和Yolov5中的不同网络调用方式一样。

        为了统一不同的网络结构，继续修改exps/example/yolox_voc/yolox_voc_s.py中的，self.depth和self.width。

        再修改yolox/exp/yolox_base.py中的，self.depth和self.width。

 （6）、修改其他相关参数

  • 修改验证epoch的数量

        目前代码中是训练迭代10个epoch，再对验证集做１次验证，但大白想每迭代1个epoch，即做一个验证，及时看到效果。

  • 修改验证时的相关信息

        主要对读取验证信息的相关代码进行调整，代码在yolox/data/datasets/voc.py中_do_python_eval函数中。

  • 因为自有数据集没有year信息，所以将其中的rootpath和name修改
  • 因为没有year信息，所以将其中的cachedir修改；修改use_07_metric的信息。

三、YOLOX训练

1、终端训练

        将下载好的yolox_s.pth.tar放到YOLOX文件夹中，打开终端，在终端中输入：

        python3 tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py -d 0 -b 64  -c yolox_s.pth.tar

2、Pycharm训练

        代码运行时，常常需要Debug的方式，进行调试执行。所以可以修改train.py的几个配置参数，采用Debug或者Run的方式进行执行。主要需要修改以下参数：

  • batch-size

        根据自己机器的配置，设置batch-size的参数，比如设置为64。

  •  devices参数

        如果GPU服务器只有1张卡，将devices的default修改为0。

  • exp_file参数

        将exp_file的default修改为yolox_voc_s.py的路径（如代码版本更新，可重置路径）。

  • ckpt参数

        如果使用预训练权重，将ckpt的default修改为模型权重的路径。

        然后就可以在pycharm里面进行训练了。

四、YOLOX训练及常见问题

        在训练完成后，可以对训练的YOLOX算法模型进行测试，测试文件保存在tools/文件夹下，测试可以运行demo.py和eval.py这两个文件

1、利用demo.py进行测试

  • 首先是选择测试的模式是图片还是视频，然后输入需要测试图片/视频的路径

  •  修改yolox的配置文件，与训练时的配置文件一致

  •  修改训练后模型的保存地址，以及是否使用GPU进行加速

  •  到此就可以运行demo.py进行demo测试了，测试后输出测试结果，如下所示

2、利用eval.py进行测试

  •  修改eval.py文件中的batch_size大小，可根据个人的显卡大小修改

  •  修改yolox的配置文件，与训练时的配置文件一致

  •  修改测试时使用的模型，得分阈值、nms阈值等参数

  •  修改上述参数就可以进行验证了，会输出模型在测试集的mAP等指标

AI追随者
关注
  • 72
    点赞
  • 踩
  • 551
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 86
    评论
专栏目录
YOLOX在win10上的部署以及训练自己的数据集
01-23
亲测
手把手教你利用YOLOX训练自定义数据集（COCO Dataset）
Mickey的博客
05-29 1747
YOLOX 支持使用自定义数据集进行训练。为了在 YOLOX 上运行我们自己的数据集，我们需要遵循以下基本步骤
yolov8环境配置加训练自己的数据集保姆级教程（2024）
xiaomei975的博客
06-24 2231
确保电脑里面安装了anaconda ，pycharm，win10/11（可用）anaconda下载地址下载慢可用清华镜像站下载pycharm下载地址。
YOLOX训练自己的数据集(voc)
Echoo0的博客
07-29 2466
1.准备数据集 目录结构YOLOX/datasets/VOCdevkit/VOC2007/ JPEGImages(存放图片) Annotations（标注xml） ImageSets（makeTxt.py生成） labels（makeLabel.py生成） makeTxt.py # coding:utf-8 import os import random import argparse parser = argparse.ArgumentParser() #xml文件的地址，根据自己
yolox训练自己的数据
lishanlu136的博客
12-23 5199
此文是我从yolov5替换到yolox训练的过程，前提是我们有图片和标注文件，而且都是yolov5的txt格式的
使用yolox训练自己的数据集并测试
pyscl01的博客
06-16 2974
手把手教会你使用yolox训练自己的数据集并测试
yolox 训练结果，自己的
08-11
总结来说，“yolox 训练结果，自己的”项目涉及了目标检测技术、YOLOX模型的训练和优化，以及可能的数据集和评估指标。用户通过自训练得到了模型，可以应用于各种场景，并且有潜力通过持续优化得到更好的性能。
使用keras实现yolox算法项目-可用于训练自己的数据-优质项目实战-附完整流程教程.zip
01-20
在项目实践中，你需要准备训练数据集，包括标注好的图像和对应的XML文件，用于指示每个目标的位置和类别。数据预处理是关键步骤，包括图像缩放、归一化以及应用数据增强技术，如翻转、裁剪和色彩扰动，以使模型能够...
YOLOX-基于Keras实现YOLOX目标检测算法-支持训练自己的权重-附项目源码-优质项目实战.zip
05-09
本项目是YOLOX算法的Keras实现，允许用户训练自己的数据集并生成权重文件，从而适应不同的应用场景。 YOLOX算法的核心在于它的网络结构和训练策略。网络采用类似YOLOv3的单阶段检测方式，但通过改进的结构设计，如...
YOLOX-在Windows平台训练YOLOX目标检测算法-附项目源码+流程教程-优质项目实战.zip
05-10
2. **数据集准备**：目标检测任务需要标注的数据集，例如COCO数据集或其他特定领域的数据集。数据集需要经过预处理，包括图片的缩放、归一化以及XML注释的转换。 3. **配置文件修改**：根据你的硬件配置和训练需求...
使用YOLOv8训练自己的【目标检测】数据集
m0_54634272的博客
04-06 5057
答:为了让计算机学会正确地识别物体，我们需要提供大量的标注数据集，这些数集包含了图像或视频中物体的位置和类别信标注数据集的作用在干，它可以帮助计算机学习到如何识别不同种类的物体，并且能够正确地定位它们的位置。但是，如果我们有了标注数据集，计算机就可以通过学习这些数据来理解猫和狗之间的差异，并且可以在新的图像中准确地识别它们。这种方法可以提供一些特殊情况或无法通过其他方式获得的图像，但是合成图像通常无法完全代替真实场景的数据，可能会对模型的准确性产生一定的影响。需要注意的是，网络上的图像可能受到版权保护。
Anchor-free目标检测论文汇总
3D视觉工坊
11-09 708
编辑丨CV技术指南前言 Anchor-free 目标检测是目标检测近几年的主流趋势之一，本文将分享一个汇总了最近几年所有Anchor-free论文的github项目。Anchor-free...
YOLOX训练自己的数据集（头铁出来的超详细教程）
热门推荐
weixin_44123583的博客
04-15 2万+
yolox训练自己的数据集，超详细教程。小白起步。yolo系列持续更新……
[目标检测] 二、训练yolox模型
好风凭借力
04-19 6833
训练yolox模型 前篇：配置yolox环境 一、准备工作 1、数据集配置 我用的是voc2007数据集，将标记好的数据转换成voc数据集格式（可存为labelme2voc.py，运行)： import os import numpy as np import codecs import json from glob import glob import cv2 import shutil from sklearn.model_selection import train_test_split # 1.标
深入浅出Yolox之自有数据集训练超详细教程
江南研习社
08-09 7369
随着旷视科技发布Yolox的论文和代码后，Yolox得到了广泛的关注。 但由于训练代码和之前的Yolov3、Yolov4、Yolov5的代码都不相同。 且代码中的训练案例，以COCO和VOC格式为基准，但平时大家标注的文件，并不是完全相同的格式。 而且训练自有数据的讲解流程，很多人不太熟悉。 因此大白以自有标注的人头数据集为案例，一步步和大家一起学习，整体的训练和测试全流程。 PS：大白将代码文件、网络权重、数据集划分代码和人头数据集，都整理汇总，可点击查看下载。 文章目录1 深入浅出Yolo核心基础完整讲
【深度学习】什么是混合精度训练？缩放因子 S 的选择
最新发布
q742971636的博客
08-05 132
S。
CNN卷积网络实现MNIST数据集手写数字识别
m0_67495624的博客
08-02 773
首先，通过MNIST类创建了train_data对象，指定了数据集的路径，并且将数据集标记为训练集train=True。表示不自动从网络上下载数据集，而是使用已经下载好的数据集。我是之前自己已经下载过该数据集所以这里填的是False,如果之前没有下载的话就要填True。下面测试集也是一样。将数据转换为张量形式。然后，通过DataLoader类创建了对象，指定了使用train_data作为数据源。表示在每个epoch开始时，将数据打乱顺序。表示每次抓取64个样本。
深度学习-模型剪枝
chengbin20101的博客
08-05 646
模型剪枝是一种模型压缩技术，它通过移除神经网络中的“不必要”权重或偏差（weight/bias），减少模型的大小和计算量，从而提高模型的效率和速度。剪枝的主要目的是在保持模型性能的前提下，降低模型的复杂度和资源消耗。
yolox训练自己数据集
09-01
要使用YOLOX训练自己的数据集，你可以按照以下步骤进行操作： 1. 下载YOLOX源码，并配置环境。你可以在文章目录中找到有关如何下载YOLOX源码和配置环境的详细说明。 2. 修改源码以添加权重文件。在YOLOX-main\exps\example\yolox_voc\yolox_voc_s.py文件中，你可以修改文件路径，添加你自己的权重文件。 3. 建立VOCdevkit文件夹并添加数据集。将你的数据集文件夹放置在YOLOX-main\YOLOX\data\datasets目录下，并确保你的数据集文件夹的结构与VOCdevkit类似。 4. 划分训练集和测试集。在你的数据集文件夹中，可以根据你的需求创建train.txt和val.txt文件来划分训练集和测试集。 5. 修改类别为自己训练样本的classes。在YOLOX-main\yolox\data\datasets\voc_classes.py文件中，将classes列表修改为你自己数据集的类别。 6. 开始训练。使用命令行工具进入YOLOX-main目录，并运行以下命令开始训练：python tools/train.py -f exps/example/yolox_voc/yolox_voc_s.py --name yolox_voc_s 7. 训练过程中可能会出现一些错误，例如ModuleNotFoundError、FileNotFoundError等。根据具体的错误信息进行调试，并解决相关问题。 8. 训练完成后，你可以进行测试。使用以下命令运行测试：python tools/eval.py -f exps/example/yolox_voc/yolox_voc_s.py --name yolox_voc_s 希望以上步骤可以帮助你成功使用YOLOX训练自己的数据集。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [WIN10使用YOLOX训练自己的数据集（图解超详细）](https://blog.csdn.net/qq_44824148/article/details/122445760)[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^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论 86
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

AI追随者

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