使用mindspore实现yoloV3

最新推荐文章于 2024-06-21 20:54:25 发布
最新推荐文章于 2024-06-21 20:54:25 发布
阅读量1.6k 收藏 6
点赞数
文章标签： 人工智能
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/sinat_21902051/article/details/107899368
版权
本文介绍了如何使用MindSpore框架实现YOLOv3模型，并在华为云ModelArts平台上进行训练和部署。首先，通过华为云的对象储存服务OBS上传代码和数据集。接着，配置ModelArts训练作业，设置数据集目录和模型保存位置。在启动程序中处理这些参数，并利用模块处理数据的复制。最后，根据日志检查运行结果，完成模型的训练和部署。
摘要由CSDN通过智能技术生成

mindspore是华为开源的深度学习框架，之前已经参加过两期训练营，8月8日又举办了第三期，继续参加学习。

这次主要的作业是用mindspore实现yolo_v3，并在华为云的modelArts平台上实现。

mindspore跑yolo_v3，其实在mindspore主仓的model_zoo里已经有了训练和测试的代码，可以到 官方gitee仓 里查看

但是官方的代码是在本地跑的，要在modelArts上跑，需要做一些适当的调整

首先，要把代码和数据集上传到云上，要在华为云上创建一个“对象储存服务obs”，将代码、数据集上传

其次，要创建modelArts训练作业
在这里插入图片描述
点击之后出现如下配置界面在这里插入图片描述

最重要的两个参数，一个是数据集目录，一个是模型保存位置，默认以data_url和train_url为参数名通过argparse传入启动程序，所以启动程序中一定要有解析这两个参数的功能，并将涉及数据集的目录用data_url替代，涉及模型保存的目录，用train_url代替。

最后，上传数据的“对象储存服务”相当于云盘&

最低0.47元/天 解锁文章
sinat_21902051
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于MindSpore的YOLOv3-DarkNet53网络实现
Kenji_Shinji的博客
10-14 899
代码总览：图5下面主要分析darknet.py、yolo.py、loss.py这三个文件，分别对应YOLOV3特征抽取网络网络、YOLOV3网络、YOLOV3损失函数。
开源代码 yolov3_MindSpore基于YOLOv3实现篮球检测模型实战
weixin_39764603的博客
12-31 564
“ModelArts + MindSpore”实战YOLOv3篮球检测Copy攻城狮人狠话不多，学AI就到huaweicloud.ai,和“MM”一起玩转AI。前言大家好，我是Copy攻城狮胡琦，有幸参与华为业界首个全场景AI实战营。今天是MIndSpore 21天实战营的第四次课。提到物体检测，我最先想到的是YOLO系列，因为之前在华为云AI实战营中就接触过，其实现在都忘得差不多了：【...
【MindSpore学习打卡】初学教程-04数据集 Dataset-使用MindSpore实现高效数据加载与预处理
weixin_43427267的博客
06-21 1300
对于一些特殊的数据集，可能无法直接使用 MindSpore 提供的内置加载接口。这时候，构造自定义数据加载类或生成函数，可以灵活地处理各种数据格式和数据源，满足不同的应用需求。通过接口，可以方便地将自定义的数据集加载到 MindSpore 中进行处理和训练。
基于MindSpore实现yolov3_darknet53
weixin_46006304的博客
09-09 993
话不多说，先上一段MindSpore基本介绍 MindSpore是一个全场景深度学习框架，旨在实现易开发、高效执行、全场景覆盖三大目标，其中易开发表现为API友好、调试难度低，高效执行包括计算效率、数据预处理效率和分布式训练效率，全场景则指框架同时支持云、边缘以及端侧场景。 MindSpore总体架构如下图所示，下面介绍主要的扩展层（MindSpore Extend）、前端表达层（MindExpression，ME）、编译优化层（MindCompiler）和全场景运行时（MindRT）四个部分
MindSpore： YOLOv3人体目标检测模型实现（二）
BaldheadedM的博客
08-12 545
为了节省篇幅，这一节只挑部分贴代码，更多的代码和包的导入请参考 附件\model\yolo.py。（未完，请见下一篇 YOLOv3人体目标检测模型实现（三））损失函数的实现可见 附件\model\loss.py。
基于mindspore的Yolo视频检测
weixin_56314292的博客
07-18 289
【代码】基于mindspore的Yolo视频检测。
华为云端服务器使用ModelArts跑MindSpore框架Yolov5
Man_1man的博客
08-30 4157
使用华为云端服务器使用ModelArts控制台训练MindSpore框架的Yolov5
基于MindSpore的YOLOv3-DarkNet53篮球检测项目python源码.zip
09-25
基于MindSpore的YOLOv3-DarkNet53篮球检测项目python源码.zip 基于MindSpore的YOLOv3-DarkNet53篮球检测项目python源码.zip 基于MindSpore的YOLOv3-DarkNet53篮球检测项目python源码.zip 基于MindSpore的YOLOv3-...
基于MindSpore框架Yolov3-darknet模型的篮球动作检测体验.docx
11-30
本文主要介绍了如何基于MindSpore框架实现Yolov3-darknet模型对篮球动作的检测。MindSpore是一个深度学习框架，它支持灵活的计算图编译和分布式训练，适合于多种AI应用场景。Yolov3是一种高效的目标检测模型，尤其...
ModelArts分布式训练yolov5日志文件
09-11
该平台支持多种深度学习框架，包括TensorFlow、PyTorch等，其中yolov5是基于PyTorch实现的目标检测模型。 2. **yolov5模型**：YOLO（You Only Look Once）是一种实时目标检测系统，它的最新版本yolov5以其高效的...
mindspore实现SSD目标检测
最新发布
07-11
mindspore实现SSD目标检测
mindspore RNN实现情感分类
06-29
mindspore RNN实现情感分类
MindSpore应用系列：树莓派上运行YOLOv5进行实时目标检测（三）
huodagu的博客
08-18 491
每一层都有3个anchor，每一anchor对应的（5+分类数）个通道，假设分类数为2，那一共就是7个通道了，这7个通道分别是xywh（4个通道)，置信度（1个通道），分类（此处2分类，就是2个通道）物体边框的4个值，x,y,w,h，不过这个x，y并不直接是物体框中心点的坐标，而是它相对于自身所处的格子左上角的偏移，然后再把这个中心点的相对值作用到原图的尺度得到最终的坐标。然后就是宽高，宽高也不是直接预测出物体边框的宽高，而是基于anchor的，预测出来的值会乘上anchor的宽高得出最终的宽高。
MindSpore（Ascend）训练DeepLabV3+
HsiehVe的博客
11-24 3961
MindSpore（Ascend）训练DeepLabV3+ 本文 描述 DeepLab是一系列图像语义分割模型，DeepLabv3+通过encoder-decoder进行多尺度信息的融合，同时保留了原来的空洞卷积和ASSP层， 其骨干网络使用了Resnet模型，提高了语义分割的健壮性和运行速率。 前提条件 开发环境：Ascend910 + MindSpore1.3.0（1.5.0） 数据集 Pascal VOC 2012（https://www.kaggle.com/huanghanchina/pas
MindSpore21天实战营手记（四）：基于YOLOV3-DarkNet50的篮球检测模型
xi_xiyu的博客
07-26 678
本次课程作业要求输入一张篮球比赛的图片，识别运动员的动作，并作出标。其实实战营第一课的进阶作业就编译了一个目标检测APP。我用那个小程序识别了一张小猫对着手枪举起俩前爪的图片。结果小猫识别对了，手枪被识别成了吹风机。我觉得视频目标检测非常神奇，因为一张图片上可能有很多东西，它是怎么会把目标认出来呢？今天的模型更强悍，不但要识别对象，还要识别出动作。听了老师的讲解，我终于知道了检测模型底层是怎么运作的——原来在识别之前需要一个标注的过程，由人框出目标，并给目标赋予属性。这个过程目前还没办法依靠机器自动完成。标
MindSpore:YOLOv3人体目标检测模型实现（四）
BaldheadedM的博客
08-12 426
DetectionEngine类主要处理模型前向传播后的输出，包括置信度阈值筛选、NMS算法去除重叠等等工作，最后计算AP的工作也是它完成，对这些计算感兴趣的朋友可以看 附件\utils\utils_yolov3.py 以及 附件\utils\eval_utils.py。这里我们不需要损失函数，所以只用了网络结构YOLOV3DarkNet53，然后用load_yolov3将前面训练好的模型加载进来。...
[学习笔记]在ModelArts上利用Ascend引擎训练基于MindSpore-0.5的YOLOv3
UnseenMe的博客
08-10 1163
关键字：昇腾 头孢 云训练 Baseline 传送门：Github上mindspore 0.5版的YOLOv3 适配云端训练 Baseline的代码在本地训练的话，不需要更改。但在ModelArts上训练的话，需要适配一下。 首先，需要引用一个库方便OBS数据Copy。还要声明两个地址 import moxing as mox local_data_url = '/cache/data' local_train_url = '/cache/train_url' 其次，需要在parser增加两个参数，如下
DeeplabV3实现语义分割任务，有数据、代码、可直接运行
05-09 616
DeeplabV3实现语义分割任务，有数据、代码、可直接运行
mindspore（二）-yolov5的训练、改进及MindConverter的使用
weixin_45209827的博客
05-25 6885
mindspore-yolov5的训练、改进及MindConverter的使用
使用mindspore实现yolov8
05-10
实现 YOLOv8 需要以下步骤： 1. 数据准备：首先需要准备用于训练和测试的数据集。数据集应包含用于训练和测试的图像和相应的标签文件。 2. 模型设计：YOLOv8 模型结构包括特征提取网络和检测头。特征提取网络使用 DarkNet53 网络结构，检测头使用多个卷积层和全连接层。 3. 损失函数：YOLOv8 使用交叉熵损失函数和坐标损失函数。 4. 训练模型：使用准备好的数据集对模型进行训练。在此过程中，可以使用数据增强技术来增加训练数据集的大小。 5. 测试模型：使用测试数据集对训练好的模型进行测试，并计算模型的性能指标，如精度、召回率和 F1 值等。 6. 部署模型：将训练好的模型部署到实际应用中，可以使用 MindSpore 提供的推理引擎进行部署。 以下是一个简单的 YOLOv8 模型实现代码： ``` import mindspore.nn as nn import mindspore.ops as ops class YoloV8(nn.Cell): def __init__(self): super(YoloV8, self).__init__() self.darknet53 = DarkNet53() self.detect_head = DetectHead() def construct(self, x): x = self.darknet53(x) x = self.detect_head(x) return x class DarkNet53(nn.Cell): def __init__(self): super(DarkNet53, self).__init__() self.conv1 = nn.Conv2d(3, 32, 3, pad_mode='same') self.bn1 = nn.BatchNorm2d(32) self.relu1 = nn.ReLU() self.pool1 = nn.MaxPool2d(2) # ... 其他卷积层和池化层 def construct(self, x): x = self.conv1(x) x = self.bn1(x) x = self.relu1(x) x = self.pool1(x) # ... 其他卷积层和池化层 return x class DetectHead(nn.Cell): def __init__(self): super(DetectHead, self).__init__() self.conv1 = nn.Conv2d(1024, 256, 1) self.bn1 = nn.BatchNorm2d(256) self.relu1 = nn.ReLU() self.conv2 = nn.Conv2d(256, 512, 3, pad_mode='same') self.bn2 = nn.BatchNorm2d(512) self.relu2 = nn.ReLU() self.conv3 = nn.Conv2d(512, 255, 1) def construct(self, x): x = self.conv1(x) x = self.bn1(x) x = self.relu1(x) x = self.conv2(x) x = self.bn2(x) x = self.relu2(x) x = self.conv3(x) return x ``` 通过上述代码我们就可以构建一个简单的 YOLOv8 模型了。需要注意的是，上述代码仅仅是一个简单的示例，实际应用中还需要根据数据集的实际情况进行相应的调整。同时，为了获得更好的性能，还需要使用 MindSpore 提供的优化器和学习率调整策略进行训练。
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