yolov5
inspur秃头哥
一天不掉几根头发都对不起这个职业
展开
-
yolov5代码解读--train.py
yolov5代码解读前言函数train()总结 前言 前一篇博客大致对yolov5的一些前期准备和训练参数等做了整理(YOLO v5 代码解读及训练、测试实操),此篇博客主要对项目中的train.py内容进行详细解读,以方便大家学习。 函数train() train.py函数涉及的篇幅比较大,为提高阅读性,本博客仅提供部门核心进行讲解,详细的完整代码,见网盘地址。 ①超参数及训练参数配置 #获取轮次、批次、总批次(涉及到分布式训练)、权重、进程序号(主要用于分布式训练)# epochs, batch_s原创 2020-10-30 17:03:20 · 6864 阅读 · 10 评论 -
YOLO v5 代码解读及训练、测试实操
YOLO v5 代码解读及训练、测试实操 带你了解YOLO v5代码,尽可能做的详细一点 文章目录YOLO v5 代码解读及训练、测试实操前言一、模型训练前期准备二、正式训练1.输入参数2.正式训练3、推理、检测代码中涉及技术原理 前言 YOLO v4和v5几乎差不多时间出世,有人觉得Ultralytics装了波逼,v5称不上v4的下一个版本,但当你仔细研读一下代码,并且亲自尝试一下后会发现代码易读,整合了大量的计算机视觉技术,非常有利于学习和借鉴,而且作为工业落地应用有很大的借鉴性。综合对比v4和原创 2020-10-20 16:50:45 · 6449 阅读 · 2 评论 -
yolov5代码解读中遇到的原理性问题解决
1、为什么通过添加nbs变量来扩大batch_size,而不是直接扩大batch_size的大小? 首先,增大batch_size有三点好处: (1)内存的利用率提高了,大矩阵乘法的并行化效率提高; (2)跑完一次epoch(全数据集)所需迭代次数减少,对于相同的数据量的处理速度进一步加快; (3)一定范围内,batch_size越大,其确定的下降方向就越准,引起训练震荡越小; 当然,有好处就有坏处,坏处也有三点: (1)服务器内存扛不住; (2)虽然所需迭代次数减少了,但是想达到相同的精度时间开销,参数的原创 2020-09-05 16:35:15 · 5598 阅读 · 0 评论