记录一下yolov4小问题

最新推荐文章于 2024-05-07 07:29:11 发布
最新推荐文章于 2024-05-07 07:29:11 发布
阅读量683 收藏
点赞数
文章标签： 深度学习 机器学习
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/weixin_44122708/article/details/120159066
版权

用小图训练完成后换成大图不识别

首先有大约50张图片，原来长是3200像素宽为1600，为了增加数据样本，我按照（0，800）（800，1600）（1600，2400）（2400，3200），以及增强样本（400，1200）（1200，2000）（2000，2800）进行分割，成了长800，宽1600的照片。
训练之后发现在小图也就是长800，宽1600的照片效果完美，几乎没有错误，但是在长3200宽1600的图片上效果极差，要么完全不识别要么识别出现错误。
解决：未解决

Darknet error location: ./src/dark_cuda.c, check_error, line #70

在这里插入图片描述
自己失误，忘了改cfg配置文件中max_batches和steps
因为之前是2个类别现在是4个 忘记修改 应将原来的max_batches=4000和steps=3200，3600 改为
max_batches = 8000和steps=6400,7200
再加 -gpus 1
(因为服务器有6块）

yolov4 模型转化 | Darknet2TensorRT 完美运行 | 【yolov4 TensorRT 推理】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
09-26 794
本博文 Darknet2TensorRT 转换步骤 和 如下博文内容基本一致【本博文记录内容更为精简】 基于TensorRT 推理框架yolov5 模型转化 | CUDA 11.2 + TensorRT-8 完美运行 – 详细步骤记录 文章目录Darknet2TensorRT【yolov4.cfg and yolov4.weights】1. generate yolov4.wts from pytorch implementation with yolov4.cfg and yolov4.weigh.
YOLOV4训练中的错误
qq_44419614的博客
12-01 1540
今天来记录一个错误，是在训练yolov4的时候遇上的一个错误，是一个很简单的错误，但是每次都会遇到，这已经是第n次遇上了，也是第n次不知道该怎么解决，回想了半天才想起来，浪费了很多时间，所以应该养成平时记录错误的好习惯，不然以后会因此浪费很多时间，刚开始训练我就来写了，这次不能再拖延了！！！ 这很显然是一个读取图片时的错误，但是我的文件名，路径名各个方面都没有错误，为什么会出现这样的问题呢？ 原来是再训练yolo的时候，我们需要再/Imagsets/Main文件夹下生成包含我们所需要训练测试的图片的路径的
darknet 训练流程
WSNjiang的博客
08-12 2533
1、darknet编译 git clone https://github.com/pjreddie/darknet.git cd darknet 修改Makefile GPU=1 #加GPU CUDNN=1 # OPENCV=0 #加opencv OPENMP=0 DEBUG=0 4、make 有时候make时候会报错，下面列举一些遇到的报错信息 1、 ./src/convolutional_kernels.cu -o obj/convolutional_kernels.o /bin/sh: 1
关于大图片的小目标的检测方法：将图片拆成四个分开去放到目标去训练
u010358801的博客
12-25 4000
关于大图片的小目标的检测方法：将图片拆成四个分开去放到目标去训练 1 概述 ​ 在yolov5 的网络模型中大抵输入的图片为640*640,如果是3000 * 2000的图片去检测大概100像素左右的目标，会比较容易漏掉，这大概也和我的数据值过于少有关。所以我这种也算是一种数据增强的方式！ 方法： 暴力搜索 和 带方向的暴力搜索 2 环境 ubuntu 18.04 pycharm2020.01 yolov5 的要求环境 3 暴力搜索 3.1思路： ​ 参考上图： 在给定的图片(width,heigh
训练yolo V4模型调优的十个建议
fengmaomao1991的专栏
02-25 5356
1、获取更多的数据2、数据增广3、输入分辨率4、使用预训练pretrained模型5、选择合适的模型尺寸和架构6、继续之前的训练7、选择最好的模型8、模型评估9、导出模型10、优化推理速度 1、获取更多的数据 改进对象检测模型的最佳方法是收集更有代表性的数据，YOLO v4也不例外。特斯拉人工智能高级总监安德烈•卡帕西在解释特斯拉如何让汽车停下来时表示：数据集是活的，标签一直在变化。你需要一直管理和更改数据集。 2、数据增广 收集和标记更多的数据需要代价。可以通过数据增广来扩展训练集。 YOLO v4的训.
YOLOv4 介绍及其模型优化方法
csdndevpress0035的博客
07-24 1700
2020 年 4 月，YOLOv4 在悄无声息中重磅发布，在目标检测领域引起广泛的讨论。
tiny识别不出 yolov4_基于 Yolov4 和 Yolov4-tiny 的 Human Detector 训练记录
weixin_42309722的博客
12-30 1092
基于 Yolov4 和 Yolov4-tiny 的 Human Detector 训练记录网络训练序言本实验总体目标是基于 Yolov4 和 Yolov4-tiny，训练仅包含“人类”一类的人体检测器(Human Detector)；本文档包含：Human Detector 使用步骤：描述如何使用预训练好的基于 Yolov4 和 Yolov4-tiny 的 Human Detector(以下简称 ...
记录Yolov4训练数据
Seatreesun的博客
08-03 985
使用代码 https://github.com/princeton-vl/CornerNet 配置 win10 cuda10.0 数据集
基于yolov4-tiny在TT100K数据集上实现交通标志识别与检测_yolov4-tiny-.zip
09-02
通过使用YOLOv4-tiny模型，结合TT100K数据集，研究者可以有效地解决交通标志的识别和检测问题，这不仅对提高智能交通系统的安全性和可靠性具有重要作用，也为深度学习在其他领域的应用提供了借鉴和参考。随着相关...
基于YOLOv4的安全帽佩戴检测-YOLOv4帽子检测.zip
10-03
YOLOv4通过将目标检测任务转化为一个回归问题，使用卷积神经网络对图像进行处理，从而在单一神经网络中直接预测边界框和类别概率。 在本项目“基于YOLOv4的安全帽佩戴检测-YOLOv4帽子检测”中，通过训练YOLOv4模型...
YOLOv3-药草识别实现
Hanzoe的博客
10-04 1115
一、标注工具（labelimg） 使用工具lableimg 1.操作步骤 使用cmd进入下载目录之后，使用python lableimg进入标注工具，open选择文件之后，选择Create\nRectBox进行选择区域，并且标注药草名，如下： 2、保存后的效果图 3.xml文件内容 二、下载编译darknet 1.拉取darknet git clone https://github.co...
图解darknet中的train_detector函数
ccc_lin的博客
06-30 1054
darknet中的train_detector函数包含了从解析配置文件，到分配线程读取训练样本，到正式进行网络的训练，直至最后权重的保存这一完整的训练过程，该函数一层一层调用的子函数很多，光看代码容易绕晕，所以我一边看一边画了一下思维导图，结构清晰明了了很多 ...
记录记录yolo v4，darknet遇到的问题
laovife的博客
04-30 2269
yolo v4 记录yolo v4，darknet遇到的问题 一：生成dll文件时MSB372报错，先到CUDA 9.0.targets报错的地方，以及右键属性CUDA中的75都改成52（1050ti显卡），其他显卡去百度具体数字。 二：运行darknet.py报错如下，但是在cmd能正常运行 cuDNN status Error in: file: …\src\dark_cuda.c : cud...
YOLO 数据增强 多尺度训练（将原来较大数据拆分为多个小的数据进行训练），实测效果较为显著
iamjingong的博客
05-11 2100
import os import cv2 from tqdm import tqdm def get_imgs_pos(img_w, img_h, cut_w, cut_h, w_stride, h_stride): imgs_pos = [] for beg_w in range(0, img_w, w_stride): for beg_h in range(0, img_h, h_stride): x0, y0 = beg_w, beg_h .
yololov5-切割检测-detect.py
m0_56127259的博客
02-20 1338
函数，该函数包含了整个流程的实现。在处理过程中，将输入图像切割为多个小图像，并对每个小图像进行目标检测。最后修改了参数，指定了模型权重文件、输入图像文件夹路径、数据集描述文件路径以及结果保存目录路径等参数，并调用。将图像切割为8张小图，对每个小图进行目标检测后，将检测结果拼接到最后的大图。，然后遍历每个小图像的检测结果，将检测框绘制在原始大图像上，并添加类别和置信度信息。函数，用于将输入的大图像切割成指定大小的小图像，并返回切割后的小图像列表。函数将检测结果合并到原始大图像上，并保存带有检测结果的图像。
YOLO多尺度测试，原图像太大，拆分
iamjingong的博客
05-11 2694
import os import cv2 from tqdm import tqdm def get_imgs_pos(img_w, img_h, cut_w, cut_h, w_stride, h_stride): imgs_pos = [] for beg_w in range(0, i
YOLOV8最强操作教程.
热门推荐
qq_37706472的博客
01-13 8万+
yolov8详细训练，验证，推理教程。还带哔哩哔哩操作视频讲解喔，包你秒懂！
YOLO系列笔记（十三）——数据集文件夹拆分
XISHI_TIANLAN的博客
05-07 1104
在学习和训练涉及YOLO等神经网络的过程中，我们通常需要对收集到的大型数据集进行合理的拆分，标准的做法是将其分为训练集（train）、测试集（test）和验证集（validation）。手动对大规模的图片集进行分类不仅耗时而且容易出错，因此我编写了一个Python脚本，旨在自动化这一繁琐的过程。该脚本能够将指定文件夹中的图片按照8:1:1的比例自动分配到train、test和validation三个文件夹中，使用的是Python的os和shutil库来处理文件操作。！move_files。
yolov4小目标检测损失函数优化
最新发布
03-21
### 改进 YOLOv4 损失函数以提升小目标检测性能 为了优化 YOLOv4 在小目标检测中的表现，可以借鉴 YOLOv8 中提出的多种改进损失函数策略。以下是几种可能的方法及其具体实现方式： #### 1. 使用 MPDIoU 和 ...
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