Yolov3训练自己的数据集(各种坑及解决措施)超详细!!!

电脑配置:ubuntu16.04,cpu

下载安装darknet:
yolo 官网 链接: here.
1、下载darknet,官网有提示,这里也贴出来(依次执行下面命令行语句)
git clone https://github.com/pjreddie/darknet.git
cd darknet
make
2、修改Makefile文件
下载好了darknet里面会有Makefile文件。(依次执行下面命令行语句)
vi Makefile(或者直接打开Makefile文件更改,记得保存)
这里GPU=0:cpu版本,否则gpu=1,cudnn是cpu版本为0在这里插入图片描述
然后保存退出。在在命令行“make”一下。(修改生效)

修改darknet里面的相关文件
1、/darknet/cfg/voc.data:
classes= 3 #类的个数
train = /home/用户名/darknet所在文件夹/darknet/scripts/2019_train.txt #2019_train.txt文件绝对路径!
valid =/home/用户名/darknet所在文件夹 /darknet/scripts/2019_val.txt #2019_val.txt文件绝对路径!
names = data/voc.names
backup = backup #用来放后面训练生成

  • 4
    点赞
  • 36
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
使用YOLOv3(You Only Look Once, version 3)训练Road Damage Dataset数据集可以用于道路损坏检测。YOLOv3是一种实时目标检测算法,能够快速且准确地检测图像中的多个目标。 首先,我们需要对Road Damage Dataset进行预处理。这包括将图像和对应的标签进行分割,并提取出感兴趣的损坏区域。接下来,我们需要划分数据集,将其分为训练集和测试集,以便我们能够评估训练的效果。 然后,我们需要根据YOLOv3模型的要求,将数据集转换为模型所需的格式。这包括生成对应的标签文件,并将图像和标签文件的路径记录在一个文本文件中。 接下来,我们可以使用YOLOv3的预训练模型来进行迁移学习。这将加快训练的速度,并提高模型的表现。通过加载预训练模型,我们可以在Road Damage Dataset上进行训练,并逐渐优化模型以获得更好的准确性。 在训练过程中,我们可以进行数据增强来增加数据集的多样性,并防止过拟合。一些常见的数据增强技术包括随机缩放、平移、翻转和裁剪图像。这些技术可以帮助模型更好地适应各种损坏类型和不同的道路条件。 训练完成后,我们可以使用测试集评估模型的性能。通过计算模型的准确率、召回率和F1分数等指标,我们可以评估模型的质量,并对其进行进一步调整和改进。 最后,在实际应用中,我们可以使用训练好的模型来检测道路损坏。通过将模型应用于新的图像,我们可以快速、准确地检测出道路上的损坏,以便及时采取维修措施。 总结来说,使用YOLOv3训练Road Damage Dataset数据集可以帮助我们实现高效、准确的道路损坏检测,从而提高道路维护的效率。

“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 8
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