本文记录了使用IoT-Fenris进行目标检测模型训练的过程，包括训练图片上传、配置修改、训练过程中的错误修复、数据增强、训练结果分析以及提高训练速度的尝试。训练目标主要为猪、人、猫和狗。在训练中遇到了图片路径错误、过拟合、内存管理及训练速度等问题，通过不断调整和优化，最终取得了较好的识别效果。
使用大神的开源工程，地址：https://github.com/YunYang1994/tensorflow-yolov3
一、训练模型
1.上传训练图片，修改配置
路径是：./data/dataset/
此次主要是训练分类：79，猪
train 889张；test 224张
修改配置文件：./core/config.py
__C.TRAIN.BATCH_SIZE = 8
__C.TEST.BATCH_SIZE = 8
确认train.py 47行，去掉内存逐步增加设置
self.sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True))
确认coco原始模型存在
路径：./checkpoint/yolov3_coco.ckpt
2.执行训练
nohup python train.py > nohup_train.out 2>&1 &
ModuleNotFoundError: No module named ‘tqdm’
发现少了进度条插件，安装：
pip install tqdm
再次运行，报错：
File “/data0/opt/iot-fenris/core/dataset.py”, line 160, in parse_annotation
raise KeyError(&
最低0.47元/天 解锁文章
扫一扫
1227
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
