合工大苍穹战队视觉组培训Day1——机器学习，学会使用YOLO模型

已于 2022-07-19 18:21:30 修改
阅读量1.2k 收藏 8
点赞数 2
文章标签： 机器学习 深度学习 人工智能 python 视觉检测
于 2022-07-19 17:40:53 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_67004876/article/details/125875206
版权
本文详述了合工大苍穹战队视觉组在第一天的培训内容，重点在于如何配置YOLO模型的运行环境，包括CUDA的配置和NVIDIA驱动的安装。同时，介绍了利用Labelmg制作深度学习目标检测数据集和训练目标检测模型的步骤，包括数据集的准备、权重选择、训练过程及使用Tensorboard查看参数。文章还提到了YOLOv7的优化和服务器使用体验。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

学习目标

学习内容

学习时间

学习产出

一、环境配置（需要配置CUDA)

1.安装anaconda与pycharm

2.安装并进行测试

3.更换镜像源与更新包

4.pycharm自行安装即可

二、环境配置（不需要手动配置CUDA）

1.NVIDIA驱动安装与更新

2.anaconda的安装

3.paddlepaddle环境安装

4、pycharm安装--验证CUDA和cudnn版本 

三、利用labellmg制作自己的深度学习目标检测数据集

四、训练自己的目标检测模型

1.环境的安装

2.数据集的准备

3.权重的选择

4.训练自己的模型

5.启用tensorbord查看参数

6.推理测试

五、对于yolov7(v6)的补充

六、关于服务器的使用

学习心得

学习目标

  • 配置yolo运行（深度学习）环境
  • 了解yolo算法（v1,v2,v3,v4,v5,v6,v7)运行规则
  • 使用yolo训练模型

学习内容

  1. 配置yolo环境
  2. 掌握yolo基本运行规律
  3. 掌握yolo模型的训练
  4. 其他

学习时间

  • 2022年7月18日

学习产出

下面是整体学习的过程（环境搭建，模型训练总体过程），在环境配置中，我提供两种思路，分别为需要配置CUDA和不需要手动配置CUDA；在模型训练中，我着重对yolov5进行陈述，对v7主要做补充。

一、环境配置（需要配置CUDA)

1.安装anaconda与pycharm

官网链接 Anaconda | The World's Most Popular Data Science Platform                PyCharm: the Python IDE for Professional Developers by JetBrains

进入官网直接下载即可，anaconda可以使用清华镜像，pycharm最好下载专业版，社区版不支持远端ssh链接，无法使用商用服务器进行训练。

anaconda下载好安装即可，有几点注意事项：

2.安装并进行测试

安装之后，win+R键输入cmd进入命令行，输入

conda --version

若出现conda版本号即安装成功。

3.更换镜像源与更新包

更换镜像（清华大学镜像），在cmd后输入：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

更新包，在cmd输入：

conda update conda  #更新anaconda
conda upgrade --all #更新所有第三方包

至此为止，anaconda安装完毕。

4.pycharm自行安装即可

最低0.47元/天 解锁文章
机器学习课程大作业，关于统计天气状况
07-23
文档内容是关于机器学习课程期末大作业，用Python实现，代码全，文档详细，需要的可以下载
Python-完整YOLOv3TensorFlow实现支持您自己的数据集培训
08-11
完整YOLO v3 TensorFlow实现，支持您自己的数据集培训
机器学习笔记 - YOLO家族简介
学以致用 知行合一
04-09 4979
目标检测是计算机视觉中最重要的课题之一。大多数计算机视觉问题都涉及检测视觉对象类别，如行人、汽车、公共汽车、人脸等。这一领域不仅限于学术界，而且在视频监控、医疗保健、车载传感和自动驾驶。 许多用例，尤其是自动驾驶，需要高精度和实时推理速度。因此，选择适合速度和准确性要求的物体检测器变得至关重要。YOLO（You Only Look Once）是一种单级目标检测器，用于实现两个目标（即速度和准确性）。而今天，我们将通过涵盖所有 YOLO 变体（例如，YOLOv1、YOLOv2、......
机器学习：YOLO for Object Detection (二)
Matrix-11
01-19 820
之前介绍了 YOLO-v1 单纯的利用一个卷积网络完成了目标检测，不过 YOLO-v1 虽然速度很快，但是比起其他的网络比如 Fast R-CNN 检测的准确率还是差不少，所以作者又提出了改良版的 YOLO-v2, 作者也明确说了，YOLO-v2 也是借鉴了其他网络的一些经验，针对 YOLO-v1 进行了改良。从论文来看，作者都没有给出新的网络结构图，大概网络的基本结构还是没有太多的变化，不过就是
yolov5搭建、训练模型、使用模型
最新发布
分享IT行业各种技术经验，从入门到入行，关注我学习更多知识。
02-16 1964
yolov 是高效的单阶段目标检测算法系列，经多版本迭代优化，可快速精准识别图像或视频中目标的类别与位置，广泛用于安防监控、自动驾驶、工业质检、智能零售等领域。那这里为什么选择yolov5，yolov5在性能和准确性之间取得了很好的平衡，yolov5用于学习计算机图像识别还是很好上手的。接下来介绍yolov5搭建、训练模型、使用模型的操作，后续文章将使用训练好的模型进行游戏的自动化实战，以及GPU云服务器训练yolov5模型的教程，请持续关注。
医疗诊断文本多分类问题（NLP)（合工大机器学习）
lengyue29的博客
01-29 3172
针对医疗文本多分类问题，分别使用传统机器学习和深度学习进行处理，比较结果
《深度学习》 了解YOLO基本知识
wx_AHao1004Y的博客
10-22 3412
YOLO（You Only Look Once）是一种基于深度学习的目标检测算法，由Joseph Redmon等人于2016年提出。它的核心思想是将目标检测问题转化为一个回归问题，通过一个神经网络直接预测目标的类别和位置，例如下图所示。YOLO算法将输入图像分成SxS个网格，每个网格负责预测该网格内是否存在目标以及目标的类别和位置信息。此外，YOLO算法还采用了多尺度特征融合的技术，使得算法能够在不同尺度下对目标进行检测。关于不同尺度：例如在ResNet残差网络。
机器学习|YOLOv3框架进行深度学习(学不会来打我啊)
chengduxiu的博客
01-25 2493
参考： Keras/Tensorflow+python+yolo3训练自己的数据集 0.背景 最近做了一个机器学习的大作业，接触了YOLOv3的学习框架，折腾了好长时间，分享下拿轮子直接用的流程。 1.环境准备 我的环境：Anancanda+Pycharm+TensorFlow（CPU）+Keras+YOLOv3，win10系统。 Anacanda：可以视作一个下载了很多包的...
PyTorch深度学习实战（22）——从零开始实现YOLO目标检测
盼小辉丶的博客
10-19 6841
YOLO (You Only Look Once) 是一种实时目标检测算法，它以其高效性和准确性而闻名。相比于传统的目标检测方法，YOLO 的主要特点是在单个前向传递中同时完成目标检测和分类，YOLO 通过全局感受野捕捉了整个图像中的上下文信息，对小尺寸物体的检测效果较好。在本节中，将介绍 YOLO 的工作原理，然后在自定义数据集上训练 YOLO 目标检测模型。
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
热门推荐
盼小辉丶的博客
05-28 7万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
Keras深度学习实战（15）——从零开始实现YOLO目标检测
盼小辉丶的博客
07-20 8221
YOLO 是基于锚框的经典目标检测算法，能够实现快速检测的同时具有较高的准确率，其将目标检测任务看作目标区域预测和类别预测的回归问题，实现端到端的目标检测。本文首先介绍了 YOLO 模型的核心思想与目标检测流程，然后使用 Keras 从零开始实现了一个基于 YOLO 的目标检测模型。......
YOLO学习笔记1——json标签文件转YOLO格式
m0_64312834的博客
07-28 6028
json标签文件转YOLO格式，包含object instances（目标实例）类的COCO数据集json文件内容与格式解析，YOLO标签格式解析，与转换代码。
YOLO算法学习及训练
Kuekua的专栏
10-17 1万+
1. YOLO2代码在window下的训练代码： https://github.com/AlexeyAB/darknet原始代码： https://pjreddie.com/darknet/Tips: 1. 虽然要求OPENCV版本为2.4.13或2.4.3以上，VS2015，但实际上改一下代码中opencv和VS的配置信息，低版本也可以，本人版本opencv2.4.10 + VS2013。
【笔记】yolo相关概念
Beihai_Van的博客
05-29 1094
网络的非线性特性是指网络可以模拟非线性函数的能力，也就是指网络可以处理非线性的输入输出关系。在深度学习中，网络的非线性特性非常重要，因为很多实际问题的模型都是非线性的，只有增强网络的非线性特性才能更好地适应这些问题。在深度学习中，非线性特性通常是通过激活函数来实现的。激活函数是一种非线性函数，它将网络的输入映射到输出，从而增强网络的非线性特性。常见的激活函数包括 sigmoid、ReLU、tanh 等，它们的特点是在一定区间内具有非线性的变化。
学习目标检测YOLO系列1--机器学习基础知识储备
qq_45607971的博客
04-12 1287
记录学习YOLO目标检测的过程，通过博客方式将重要的笔记记录下来，并分享出去。
yolov5机器学习，训练自己的数据集
山塘小鱼儿的博客
10-29 1451
master分支，tag是v5.0。
[深度学习 - 目标检测] YOLO系列（二）：YOLO-V1
南城同学的博客
03-22 235
YOLO-V1 核心思想： 总结： 输入流S*S的格子，格子里每个中心点产生两种候选框。设定一个阈值，超过阈值，置信度比较高，判定格子是有物体的。格子有物体，通过计算两个候选框的IoU,取数值比较大的那个框当作结果。 网络结构 损失函数 概念解释： NMS:非极大值抑制； 总结： 优点： 快速，简单; 问题1: 每个Cell只预测一个类别，如果重叠无法解决； 问题2：小物体检测效果一般，长宽比可选，但单一，只有两个B1,B2. ...
机器学习33:YoloV1/V2/V3学习笔记
weixin_39504171的博客
03-24 940
1.YoloV1: 2.Yolo V2对Yolo V1的改进： 3.YOLO V3对YOLOV2的改进： 2.1类别预测方面主要是将原来的单标签分类改进为多标签分类（softmax->logistic）： 网络结构上将原来用于单标签多分类的Softmax层换成用于多标签多分类的逻辑回归层。...
YOLO图解
复兴之矢
02-21 3810
作者：晓雷 链接：https://zhuanlan.zhihu.com/p/24916786 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 YOLO核心思想：从R-CNN到Fast R-CNN一直采用的思路是proposal+分类 （proposal 提供位置信息， 分类提供类别信息）精度已经很高，但是速度还不行。 YOLO提供了另一种更为直接的思路
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

工大电科小趴菜

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