YOLO v5 在学校服务器上搭建(搭建多次才成功的经验)

一、下载YOLOv5代码

 

 二、在服务器上建立自己的目录文件夹,利用工具或者命令讲代码copy到服务器。

这里我用的是filezilla软件

如果是第一次使用的话,需要新建自己的站点并且成功连接到服务器,最后将代码上传到服务器即可。

 三、在服务器建立自己的环境

我们在进入到服务器的目录文件夹,创建虚拟环境

 然后激活环境

因为yolo有相应的安装文件夹,我们执行命令安装里面需要安装的包

 

 四、pycharm软件连接远程服务器

 

 将本地文件映射到服务器的文件下

 

 到这里之后等待包全部加载完成。

之后我们就可以运行detext.py文件进行识别

识别检测的结果会在右侧服务器里显示出来,我们找到相应的文件打开即可部署成功。

 

后期我会针对自己的数据集进行训练。

我也是小白,这是我搞了2天学会的东西,分享给大家,希望大家少走歪路。

加油!

 

  • 12
    点赞
  • 39
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
A: 在使用PyTorch搭建Yolo V5网络模型之前,我们需要先安装好PyTorch和必要的依赖库。具体可以参考官网指南或者搜索安装教程。 接下来,我们可以按照以下步骤来搭建Yolo V5网络模型: 1. 创建一个Python文件,导入必要的库 ``` python import torch import torch.nn as nn ``` 2. 定义Yolo V5的主干网络和头部网络 ``` python class YoloV5Backbone(nn.Module): def __init__(self): super(YoloV5Backbone, self).__init__() # 定义主干网络,具体可以根据实际需求选择不同的网络架构 def forward(self, x): # 将x输入到主干网络中,得到网络输出 return out class YoloV5Head(nn.Module): def __init__(self): super(YoloV5Head, self).__init__() # 定义头部网络,包括多个卷积层、BN层和激活函数 def forward(self, x): # 将网络输出x输入到头部网络中,得到最终输出 return out ``` 3. 定义Yolo V5网络模型,将主干网络和头部网络组合起来 ``` python class YoloV5(nn.Module): def __init__(self): super(YoloV5, self).__init__() self.backbone = YoloV5Backbone() self.head = YoloV5Head() def forward(self, x): x = self.backbone(x) out = self.head(x) return out ``` 4. 定义损失函数和优化器 在使用PyTorch训练模型时需要定义损失函数和优化器。对于Yolo V5网络模型,通常使用的是交叉熵损失函数和SGD优化器,代码如下: ``` python # 定义损失函数 criterion = nn.CrossEntropyLoss() # 定义优化器 optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9) ``` 5. 训练模型 有了模型、损失函数和优化器之后,我们就可以开始训练模型了。训练模型的过程比较复杂,包括数据预处理、训练循环等步骤。这里只提供一个简单的训练循环框架: ``` python for epoch in range(num_epochs): for i, data in enumerate(train_loader): # 数据预处理 inputs, labels = data # 将输入数据和标签转换成PyTorch张量 inputs = torch.tensor(inputs, dtype=torch.float32) labels = torch.tensor(labels, dtype=torch.long) # 前向传播 outputs = model(inputs) # 计算损失函数 loss = criterion(outputs, labels) # 反向传播 optimizer.zero_grad() loss.backward() optimizer.step() # 打印损失值 print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format( epoch+1, num_epochs, i+1, total_step, loss.item())) ``` 这个训练循环框架可以根据实际情况做一些修改和优化,比如增加验证集、记录训练过程中的指标等等。 6. 保存模型 训练完成后,我们可以将训练好的模型保存起来,以备后续使用。保存模型的代码如下: ``` python torch.save(model.state_dict(), 'yolov5.pth') ``` 这个代码会将模型的状态保存成文件yolov5.pth,可以在需要的时候用load_state_dict()方法加载模型。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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