【目标检测算法】利用Colab在线训练YOLO-V5

已于 2022-09-07 09:45:12 修改
阅读量2.3k 收藏 28
点赞数 8
分类专栏： # 目标检测 文章标签： 目标检测 算法 深度学习
于 2022-09-06 14:27:40 首次发布
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_45751396/article/details/126689880
版权
本文档详细介绍了如何在Google Colaboratory上利用YOLOv5训练自定义的口罩识别模型。首先，创建Google Colab notebook并与Google Drive连接，然后克隆YOLOv5仓库并安装依赖。接着，导入数据集，修改配置文件以适应口罩数据，并进行训练。最后，测试训练结果并对模型性能进行初步评估。
摘要由CSDN通过智能技术生成

文章目录

参考博客：

【colab】在colab上使用yolov5训练自己的模型

Yolov5模型训练——colab下yolov5的数据集训练

一、谷歌网盘

网址：谷歌网盘（科学上网0.0）
新建一个文件夹：colab
在这里插入图片描述

1. 新建Google Colaboratory

在文件夹中新建一个Google Colaboratory，类似一个jyputer实时脚本。
在这里插入图片描述
如果点击新建，如果发现没有Google Colaboratory。则点击右侧的加号，搜索并添加应用拓展。安装完成后，刷新界面就可以看到啦。
在这里插入图片描述进入Google Colaboratory。点击修改–>笔记本设置–>改成GPU并保存。
在这里插入图片描述
查看Google Colaboratory的GPU参数。

!nvidia-smi

在这里插入图片描述

2. 谷歌硬盘里面的文件与colab进行挂载

import os
from google.colab import drive
drive.mount('/content/drive')
 
path = "/content/drive/My Drive"
 
os.chdir(path)
os.listdir(path)

在这里插入图片描述
挂载后点击右侧文件，可以看到你的谷歌网盘。
在这里插入图片描述

二、导入yolov5代码并配置环境

1. 获取yolov5代码

%cd /content/drive/MyDrive/colab
!git clone https://github.com/ultralytics/yolov5.git

直接进入新建的文件夹，然后从云端直接下载yolov5源码。当然，你也可以直接本地上传。
在这里插入图片描述

2. 安装依赖包

!cd /content/drive/MyDrive/colab/yolov5 && pip install -r requirements.txt

3. 执行源码中的训练文件

!cd /content/drive/MyDrive/colab/yolov5 && python train.py

注意设置自己的路径设置是否正确，自行修改上述代码。
在这里插入图片描述

三、导入自定义数据集🐱‍🏍

这一步是最重要的。因为我的GPU实在是太垃圾了，实现在线部署就可以免费嫖一下。
这里我导入的是一个口罩识别数据集。

1. 新建mytest文件夹重复 二 操作

按照之前的步骤新建一个mytest文件夹。
在这里插入图片描述

import os
from google.colab import drive
drive.mount("/content/drive")

%cd /content/drive/MyDrive/mytest
!git clone https://github.com/ultralytics/yolov5.git
!cd /content/drive/MyDrive/mytest/yolov5 && pip install -r requirements.txt

2. 数据集的处理与yaml文件的修改

数据集的处理见：【数据集的制作】VOC2007数据集格式的转换(voc2yolo)与划分

数据集格式如下：

# ├── yolov5
# └── Mask
#     └── Mask_data
#     	  └── images
#     	  └── labels

在这里插入图片描述
修改这两个yaml文件。
①models–>yolov5s_mask.yaml–>修改：nc: 2 # number of classes
②data–>mask.yaml–>仿照coco128进行修改 （我用其他格式尝试了，发现只有这样可以找到文件）

path: ../Mask/Mask_data
train: images  
val: images

nc: 2
names: ['mask', 'no-mask']

在这里插入图片描述

3. train文件修改与训练结果

修改train中代码

    parser.add_argument('--cfg', type=str, default='models/yolov5s_mask.yaml', help='model.yaml path')
    parser.add_argument('--data', type=str, default=ROOT / 'data/mask.yaml', help='dataset.yaml path')
  	parser.add_argument('--epochs', type=int, default=50, help='total training epochs')

在ipynb中输入

!cd /content/drive/MyDrive/mytest/yolov5 && python train.py

在run文件夹中就可以看到我们训练生成的各种指标了。

在这里插入图片描述

传送门：【目标检测算法】YOLO-V5训练结果的分析与评价

四、训练并测试

1. 导入一张自己制作的图片

在这里插入图片描述

2. 修改detect文件并查看结果

  • 权重修改为训练后的模型
  • 图片的源为绝对路径
def run(
        weights=ROOT / '/content/drive/MyDrive/mytest/yolov5/runs/train/exp8/weights/best.pt',  # model.pt path(s)
        source=ROOT / '/content/drive/MyDrive/mytest/Mask/Mask_data/detect',  # file/dir/URL/glob, 0 for webcam
        data=ROOT / 'data/mask.yaml',  # dataset.yaml path

    parser.add_argument('--weights', nargs='+', type=str, default=ROOT / '/content/drive/MyDrive/mytest/yolov5/runs/train/exp8/weights/best.pt', help='model path(s)')
    parser.add_argument('--source', type=str, default=ROOT / '/content/drive/MyDrive/mytest/Mask/Mask_data/detect', help='file/dir/URL/glob, 0 for webcam')
    parser.add_argument('--data', type=str, default=ROOT / 'data/mask.yaml', help='(optional) dataset.yaml path')

ipynb中为：

!cd /content/drive/MyDrive/mytest/yolov5 && python detect.py
——————————————————————————————————————————————输出：
detect: weights=/content/drive/MyDrive/mytest/yolov5/runs/train/exp8/weights/best.pt, source=/content/drive/MyDrive/mytest/Mask/Mask_data/detect, data=data/mask.yaml, imgsz=[640, 640], conf_thres=0.25, iou_thres=0.45, max_det=1000, device=, view_img=False, save_txt=False, save_conf=False, save_crop=False, nosave=False, classes=None, agnostic_nms=False, augment=False, visualize=False, update=False, project=runs/detect, name=exp, exist_ok=False, line_thickness=1, hide_labels=False, hide_conf=False, half=False, dnn=False, vid_stride=1
YOLOv5 🚀 v6.2-94-g1aea74c Python-3.7.13 torch-1.12.1+cu113 CUDA:0 (Tesla T4, 15110MiB)

Fusing layers... 
YOLOv5s_mask summary: 213 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
image 1/1 /content/drive/MyDrive/mytest/Mask/Mask_data/detect/test1.png: 448x640 5 masks, 1 no-mask, 13.1ms
Speed: 0.5ms pre-process, 13.1ms inference, 1.5ms NMS per image at shape (1, 3, 640, 640)
Results saved to runs/detect/exp3

输出结果：5 masks, 1 no-mask。可以从图看到效果并不好。
在这里插入图片描述

挖个坑：后续会继续学习如何改进网络。

三木今天学习了嘛
关注
  • 8
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
利用腾讯云GPU服务器一键化部署 进行yolov5模型训练
2201_75753211的博客
05-12 626
首先购买云服务器，我选的是按量计费的。镜像我选择的ubuntu20.04，已经配置cuDNN和CUDA，省去手动配置的麻烦。
【colab】在colab上使用yolov5训练自己的模型
qq_41627396的博客
02-18 5161
本文记录了在谷歌平台colab上使用yolov5训练自己的模型，包括具体流程和ipynb代码
目标检测：yolov7训练自己的数据集，新手小白也能学会训练模型，一看就会
最新发布
qq_67105081的博客
05-29 1965
训练自己的数据集分为4部分，先配置环境，再获取制作自己的数据集，然后修改配置训练，最后验证训练结果，可选择将结果进行可视化界面展示。yolov7训练起来较为简单，跟yolov5相差不多，只需要多加一步将数据集所有的图片导入文本之中。如果有其他目标检测的数据集理论上可以直接拿来用，从第3训练模型开始看，新手小白0基础建议一步一步跟着来，哪里看不懂的或者遇到哪有问题可以评论区交流或者私信问~
使用Colab训练yolov5模型
qq_46454669的博客
02-18 762
我们在mask目录下新建一个colab笔记本，选中mask点击New-More-Google Colaboratory，新建一个colab笔记本，之后会跳转到colab的网站上，接下来我们需要根据自己训练的情况，修改源码的配置文件，回到谷歌云盘当中，进入yolov5-models下，打开yolov5s.yaml，修改nv为2（戴口罩和没带口罩）此时，显示的MyDrive就是谷歌云盘下的MyDrive，再次输入命令，进入到yolo文件夹下。之后，回到colab，进入yolov5文件夹，执行训练代码。
Colab训练yolov5
weixin_44356969的博客
03-25 831
colab训练yolov5
Online Learning算法理论与实践
美团技术团队
04-21 5259
Online Learning是工业界比较常用的机器学习算法，在很多场景下都能有很好的效果。本文主要介绍Online Learning的基本原理和两种常用的Online Learning算法：FTRL（Follow The Regularized Leader）[1]和BPR（Bayesian Probit Regression）[2]，以及Online Learning在美团移动...
在Colab下快速训练yolov5
akeidn的博客
10-28 540
在Colab下快速训练yolov51.学习链接2.数据准备2.1图片标注方法3.项目迁移到Colab平台4.开始训练4.1.选择GPU4.2.下载源码4.3.上传和解压自己的数据集4.4.修改ymal配置文件 1.学习链接 油管：YOLOv5 training with custom data 百度云：YOLOv5 training with custom data(密码:5680) 提示：视频中做的是yolov5_5.0版本，当前已经到了yolov5_6.0，存在一些差异。 2.数据准备 推荐准备100张
YOLO-V5:使用对象检测模型YOLO-V5对图像进行定位和分类
03-26
YOLO-V5在合作研究中对肺炎图像进行定位和分类使用Ultralytics的对象检测模型YOLO-V5对自定义图像进行定位和分类该存储库包含在colab中实现YOLO-V5的实现，以检测和分类肺炎和正常图像用于此模型的数据来自以下链接...
TensorFlow Hub 目标检测 Colab.pdf
01-14
在Colab笔记本中，你将学习如何利用TensorFlow Hub中的预训练目标检测模型，如SSD（Single Shot MultiBox Detector）或YOLO（You Only Look Once）等，对新图像或视频流进行实时目标检测。这些模型通常经过大量标注...
FACEMASK_YOLO-:面罩检测
04-02
综上所述，这个项目涉及到的知识点包括但不限于：YOLO目标检测算法、Jupyter Notebook和Google Colab的使用、深度学习模型的训练与优化、GPU加速、数据预处理与标注、模型部署和云存储服务的整合。这些技术是现代...
yolo-mask-detection
04-10
YOLO（You Only Look Once）是一种著名的实时目标检测系统，其设计目的是为了高效地进行物体检测。YOLOv3是该系列的第三个版本，相对于前两代，它在准确度和速度之间取得了更好的平衡，特别是在小物体检测上有了显著...
Stylegan2-Ada-Google-Colab-Starter-Notebook:Colab笔记本，用于在Colab上训练Stylegan2-ada，并将学习转移到自己的数据集上
03-19
Stylegan2-Ada-Google-Colab-Starter-Notebook一款用于培训Stylegan2-ada的colab笔记本，不容小rill。将学习转移到您自己的数据集上从未如此简单:)
利用colab训练YOLOv5
weixin_44645198的博客
03-27 3215
1 colab 关于colab的简介，这里就不做过多的介绍了，想要使用colab需要科学上网，这是重要的前提，不然后面无法进行。 2、YOLOv5 YOLOv5直接github中下载，下面给出地址 https://github.com/ultralytics/yolov5 3、训练 3.1 首先，打开谷歌硬盘，在里面建立一个名叫colab的文件夹，我们把训练的代码以及数据集都放在里面。（我自己的页面是自己之前尝试的过程） 3.2 进入自己建立的colab，文件夹然后右键上传自己的数据集，本次用的是口罩数据
yolov5训练_使用GoogleColab进行yolov5人脸口罩检测与识别模型训练
weixin_39559523的博客
12-13 686
一、申请谷歌网盘二、上传口罩数据集，网盘目录结构如下三、申请Google Colaboratory应用四、创建notebook五、notebook增加GPU支持查看显卡命令：nvidia-smi六、挂载网盘目录中的面具数据到当前运行环境下并运行以下代码，中途需要验证：import osfrom google.colab import drivedrive.mount('/content/...
使用Colab训练YOLOv5 训练+测试
weixin_45255658的博客
11-06 4379
使用Colab训练YOLOv5 训练+测试 1.谷歌网盘 登录谷歌网盘：https://drive.google.com/ 选择 My Drive文件夹，点击上方的New，新建一个文件夹。 2 下载 yolov5算法包 1）新建一个文件夹，取名：colab_yolov5(可以自己定义)，再新建一个Google Colaboratory 2.点击修改-》笔记本设置-〉改成GPU并保存。建议大家在不用的时候，将其改为none，以免过载。 3.查看相应参数 !nvidia-smi 4.查看pytorch
Yolov5模型训练——colab下yolov5的数据集训练
Shcheo的博客
06-29 1598
Yolov5模型训练——colab下yolov5的数据集训练 本章将从以下两个个方面介绍从准备模型训练材料的整个过程。 连接colab和谷歌云 训练数据集 -连接colab和谷歌云 1、科学上网，注册谷歌账号 2、登陆google云盘 https://drive.google.com —— 谷歌云盘链接 3、将下好的yolov5包上传到谷歌云盘 4、连接colab和谷歌云 打开colab https://colab.research.google....
Colab运行YOLOv5训练自己的数据集
键盘上的手艺人
09-04 5513
最近想使用YOLOv5模型训练自己的数据集，但是没有GPU。。。。。所以白嫖一下Google的Colab。 第一：制作自己的数据集 这里给出一篇自己看过的博客写和博主自制的视频，我觉得讲的挺好，数据集方面不太懂得可以看看。文章：https://blog.csdn.net/didiaopao/article/details/119808973 视频：https://www.bilibili.com/video/BV1f44y187Xg?p=5&spm_id_from=pageDriver（视频包
yolov5学习（二）Colab上使用自己的数据集训练yolov5
qq_28319843的博客
12-13 1866
colab上使用yolov5训练自己的数据集
如何训练YOLOv5神经网络(本地+云端)
爱学习的小登西的博客
05-17 2421
1. 本地上训练YOLOv5 # 指定好训练好的模型的路径，然后用这个训练好的模型来初始化我们网络当中的参数，一般训练时都是一开始来进行训练，即default为空 # default='' Yolov5s.pt Yolov5m.pt Yolov5l.pt Yolov5x.pt parser.add_argument('--weights', type=str, default='', help='initial weights path') # config
colab yolo
11-18
基于引用中提供的信息，Colab YOLO是一种使用Google Colaboratory平台和YOLOv2模型进行对象检测的方法。以下是使用Colab YOLO的步骤： 1.打开Google Colaboratory网站并登录您的Google帐户。 2.创建一个新的笔记本并将其命名为“Colab YOLO”。 3.在笔记本中创建一个新的代码单元格并运行以下命令以克隆YOLOv2仓库： ``` !git clone https://github.com/thtrieu/darkflow.git ``` 4.运行以下命令以安装必要的依赖项： ``` !apt-get update !apt-get install -y python-pip python-dev !pip install tensorflow==1.15.0 !pip install Cython !pip install numpy ``` 5.运行以下命令以构建YOLOv2： ``` %cd darkflow !python setup.py build_ext --inplace ``` 6.下载预训练权重文件并将其放在darkflow / bin目录中。您可以从以下链接中下载权重文件： ``` https://pjreddie.com/media/files/yolov2.weights ``` 7.运行以下命令以在图像上运行YOLOv2： ``` !./flow --model cfg/yolo.cfg --load bin/yolov2.weights --demo <image-path> ``` 其中，<image-path>是您要检测对象的图像路径。
评论 1
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