yolo-nas对自定义数据集进行训练,测试详解 & 香烟数据集 & 处理损坏的图片数据 & 对网络摄像头，视频，图片预测

已于 2024-04-01 08:59:34 修改
阅读量2.7k 收藏 22
点赞数 4
分类专栏： Qt，C++，python，人工智能项目实战 文章标签： YOLO
于 2023-08-11 09:13:19 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_42864343/article/details/132223741
版权

yolov5格式的香烟数据集

https://download.csdn.net/download/qq_42864343/88110620?spm=1001.2014.3001.5503

创建yolo-nas的运行环境

进入Pycharm的terminal，输入如下命令

conda create -n yolonas python=3.8

pip install super-gradients

使用自定义数据训练Yolo-nas

准备数据

在YOLO-NAS根目录下创建mydata文件夹（名字可以自定义），目录结构如下：
在这里插入图片描述
将自己数据集里用labelImg标注好的xml文件放到xml目录
图片放到images目录

划分数据集

把划分数据集代码 split_train_val.py放到yolo-nas目录下:


                

                
                
        

        

    




        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        

    

      

        

            

              
                
                  computer_vision_chen
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                    4
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    22
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
                
  • 
                  
                    打赏
                    
                  
                  
    打赏
    
                
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                  15
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          

                

                        订阅专栏
                










                



	

		

			

				
					
研究视障人群室外障碍物检测的YOLOv5模型 YOLO-NAS(小、中、大)、YOLOv8、YOLOv7、YOLOv6和YOLOv5七种不同的YOLO目标检测模型

				
			

			

				

					sybh的博客
				

				

					05-23
					
					1523
					
				

			

		

		

			
				
利用基于深度学习的目标检测是辅助视障人士躲避障碍物的有效方法。在本文中，我们实现 了YOLO-NAS(小、中、大)、YOLOv8、YOLOv7、YOLOv6和YOLOv5七种不同的YOLO目 标检测模型，并通过精心调优的超参数进行了综合评估，分析了这些模型在包含道路和人行 道上常见日常生活对象的图像上的表现。

			
		

	



                

              
                



	

		

			

				
					
机器学习笔记 - YOLO-NAS 最高效的目标检测算法之一

				
			

			

				

					学以致用 知行合一
				

				

					08-04
					
					2378
					
				

			

		

		

			
				
YOLO（You Only Look Once）是一种对象检测算法，它使用深度神经网络模型，特别是卷积神经网络，来实时检测和分类对象。该算法首次在 2016 年由 Joseph Redmon、Santosh Divvala、Ross Girshick 和 Ali Farhadi 发表的论文《You Only Look Once: Unified, Real-Time ObjectDetection》中被引入。

			
		

	



                


  
              

                


	

		

			

				
					
YOLO NAS 训练自己的数据集

				
			

			

				

					balabala_333的博客
				

				

					08-09
					
					1114
					
				

			

		

		

			
				
目录/src/super_gradients/recipes/dataset_params/grape_detection_yolo_format_base_dataset_params.yaml。目录：super-gradients/src/super_gradients/recipes/grape_yolo_nas_s.yaml。文件目录：src/super_gradients/common/object_names.py。本人是葡萄数据集，所以文件中以grape命名.1.训练数据集目录修改。

			
		

	





	

		

			

				
					
用自己的数据集训练YOLO-NAS目标检测器

				
			

			

				

					新缸中之脑
				

				

					11-02
					
					1370
					
				

			

		

		

			
				
You Only Look Once  神经架构搜索（YOLO-NAS）是最新最先进的（SOTA）实时目标检测模型。在 COCO 数据集上进行评估并与其前身 YOLOv6 和 YOLOv8  相比，YOLO-NAS 以更低的延迟实现了更高的 mAP 值。YOLO-NAS 作为 Deci 维护的 super-gradient包的一部分提供。下图展示了Deci在YOLO-NAS上的基准测试结果：YOLO-NAS 与其他顶级实时检测器在 COCO 数据集上的性能对比图。

			
		

	



		

			
		



	

		

			

				
					
YOLO-NAS对象检测算法再一次颠覆YOLO系列算法——已超越YOLOv8

				
			

			

				

					人工智能研究所的博客
				

				

					05-28
					
					1633
					
				

			

		

		

			
				
YOLO-NAS的发布在对象检测模型的推理性能和效率方面实现了重大飞跃，解决了传统模型的局限性，并为各种任务和硬件提供了前所未有的适应性。强大的神经网络推动了对象检测的进步，增强了计算机视觉的能力。虽然目前YOLO系列模型是目前对象检测算法最好的模型，但是未来随着深度学习框架的不断发展，相信还会出现越来越多，越来越好的对象检测模型。然后我们初始化一个对象检测model，并加载coco预训练模型，一旦我们配置好了模型，便可以进行对象检测了，对象检测可以使用如下类型进行图片或者视频的检测。

			
		

	





	

		

			

				
					
YOLO 算法的自定义数据集制作及模型训练方法（附代码）

				
			

			

				

					Incalos的博客
				

				

					04-07
					
					5597
					
				

			

		

		

			
				
本文章详细介绍了怎样制作YOLOv5、YOLOv6、YOLOv7、YOLOv8的自定义数据集以及如何使用自定义数据集训练YOLOv5、YOLOv6、YOLOv7、YOLOv8模型。

			
		

	





	

		

			

				
					
基于Yolov5的吸烟行为识别检测

				
			

			

				

					韩若熙的博客
				

				

					09-14
					
					5304
					
				

			

		

		

			
				
上一篇《win10系统下Yolov5目标检测环境搭建（Anaconda3+Pytorch+Yolov5，CPU，无GPU）》中，介绍了win10系统下yolov5的环境搭建步骤，本篇在此环境下，实现吸烟行为识别检测。注意：修改自己对应的类别个数和类别名。

			
		

	





	

		

			

				
					
一步一步介绍如何基于 YOLO-NAS 训练水果检测数据集+检测的代码实现

				
			

			

				

					DT程序员的博客
				

				

					06-16
					
					1304
					
				

			

		

		

			
				
详细介绍如何一步一步基于 YOLO-NAS 训练水果检测数据集+检测的代码实现

			
		

	





	

		

			

				
					
yolov5-基于keras实现的yolov5算法-支持训练自定义数据集.zip

					
最新发布

				
			

			

				

					03-05
				

			

		

		

			
				
总的来说，"yolov5-基于keras实现的yolov5算法-支持训练自定义数据集.zip"提供的资源是针对那些希望在Keras中实现YOLOv5目标检测模型的开发者的理想工具。它不仅提供了模型代码，还支持用户用自己的数据集进行训练，...

			
		

	





	

		

			

				
					
YOLO目标检测数据集-神经网络训练数据集，包含车和装甲板+源代码+文档说明

				
			

			

				

					12-27
				

			

		

		

			
				
该仓库为RM2023雷达站所用到的yolo神经网络训练数据集，包含车和装甲板（上交格式）。同时有yolov5 6.0的训练环境，可以在本地进行训练和测试 [car] 53796张，来自包含RM官方开源图，视觉开源站，云南大学开源，沈阳...

			
		

	





	

		

			

				
					
YOLO船舶目标检测数据集 yolo-boat-detect-dataset-1.zip

				
			

			

				

					08-05
				

			

		

		

			
				
几千张YOLO船舶目标检测数据集，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型， 数据集和检测结果参考：...

			
		

	





	

		

			

				
					
YOLOV2训练全过程详解

				
			

			

				

					11-23
				

			

		

		

			
				
目录结构：
准备训练样本
修改源文件
构建用户的训练数据文件夹
训练
各种曲线的绘制
各种参数解析

			
		

	





	

		

			

				
					
烟雾监测相关的视频数据集

				
			

			

				

					05-16
				

			

		

		

			
				
多个场景下的烟雾数据集合，包含远景，室内，香烟，车辆事故等等。这个数据集是在火灾检测研究中遇到的数据集，可供火灾检测研究使用。

			
		

	





	

		

			

				
					
抽烟数据集（多个场景）

				
			

			

				

					09-27
				

			

		

		

			
				
抽烟数据集.详细：https://blog.csdn.net/qq_34717531/article/details/120502573?spm=1001.2014.3001.5502 。该数据集分为二个部分,JPEGImages和Annotations.JPEGImages文件夹中有4400+张各种场景的抽烟图像,共4600+个抽烟标注框.
并对每张图片使用labelimg做了人工标注,标注对应的xml文件放在了Annotations文件夹中.
本数据集图片清晰,场景广泛,精心挑选,人工标注.适用于任意场景,可作为抽烟检测的模板数据集.
应用特定场景时,只需加入部分特定场景数据,即可满足对特定场景抽烟行为的检测.
免去了收集,挑选,标注抽烟图片的时间,可直接进行工程化应用.

			
		

	





	

		

			

				
					
BRFSS: Tobacco Use Data BRFSS：烟草使用数据-数据集

				
			

			

				

					03-12
				

			

		

		

			
				
这是由疾病控制与预防中心托管的数据集。关于烟草使用状况的数据集。 
brfss-prevalence-and-trends-data-tobacco-use-four-level-smoking-data-for-1995-2010.csv 
brfss-prevalence-and-trends-data-tobacco-use-four-level-smoking-data-for-2011.csv 
socrata_metadata_brfss-prevalence-and-trends-data-tobacco-use-four-level-smoking-data-for-1995-2010.json 
socrata_metadata_brfss-prevalence-and-trends-data-tobacco-use-four-level-smoking-data-for-2011.json

			
		

	





	

		

			

				
					
yolo交通灯目标检测数据集 yolo-Traffic-Light-1.zip

				
			

			

				

					08-05
				

			

		

		

			
				
2000张yolov5交通灯目标检测数据集，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型， 数据集和检测结果参考：...

			
		

	





	

		

			

				
					
YOLO多种动物目标检测数据集 yolo-animal-detect-dataset-1.zip

				
			

			

				

					08-05
				

			

		

		

			
				
5000多张YOLO多种动物目标检测数据集，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型， 数据集和检测结果参考：...

			
		

	





	

		

			

				
					
一步一步的指导在自定义数据集上训练 YOLO NAS

				
			

			

				

					DT程序员的博客
				

				

					05-30
					
					3817
					
				

			

		

		

			
				
本教程将一步一步指导实验 YOLO-NAS 的进行完整的数据集训练。

			
		

	





	

		

			

				
					
【YOLO学习】制作和训练自己的数据集

				
			

			

				

					Q小鑫
				

				

					11-18
					
					1922
					
				

			

		

		

			
				
【YOLO学习】制作和训练自己的数据集

			
		

	





	

		

			

				
					
yolo-fastestv1-xl对训练数据集的要求

				
			

			

				

					07-08
				

			

		

		

			
				
YOLO-Fastest V1-XL对训练数据集的要求与其他目标检测模型类似。以下是一些常见的要求：

1. 标注格式：训练数据集需要使用特定的标注格式，如Pascal VOC、COCO或YOLO格式。每个图像需要标注目标的类别和边界框信息。

2. 样本平衡：训练数据集应该包含各个类别的目标，并且应该保持类别之间的平衡。这样可以帮助模型学习到不同类别目标的特征和区分能力。

3. 多样性：训练数据集需要包含不同场景、角度、尺度和光照条件下的图像样本。这样可以提高模型的鲁棒性和泛化能力，使其能够在各种条件下准确检测目标。

4. 标注准确性：标注的边界框应该准确地框出目标的位置，不应该过于松散或者遮挡。精确的标注可以帮助模型学习到目标的准确位置和形状特征。

5. 数据增强：可以使用数据增强技术来增加数据集的多样性，如随机裁剪、缩放、旋转等操作。这样可以扩充训练数据集，提高模型的鲁棒性和泛化能力。

6. 数据质量：数据集应该经过仔细的质量控制，确保图像清晰、标注准确，并且排除不良样本。低质量的数据可能会对模型的训练效果产生负面影响。

综上所述，对于YOLO-Fastest V1-XL的训练数据集，要求包括合适的标注格式、样本平衡、多样性、准确的标注、数据增强和高质量的数据。这些要求有助于提高模型的性能和泛化能力。

			
		

	



              



  
“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 15

	

	
	




  

    

      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

	

		

		
			
		
		

		

			
computer_vision_chen

			
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