darknet训练自己的yolov3-tiny模型但检测不出物体(已解决)

最近在Ubuntu系统上利用yolov3-tiny训练自己的模型,在配置好之后开始进行训练,训练了接近5
W次,利用该权重进行检测的时候出现了问题,利用标定的数据集居然也检测不出来,于是以为自己的配置有问题,又训练了一遍,发现还是同样的情况。
训练的log文件保存了下来,发现loss在持续降低,最后在0.1左右,所以断定不是训练配置出现了问题。于是就怀疑是不是cuda cudnn opencv等出现了问题,于是在Makefile文件中关闭了OPENCV CUDNN,利用cpu进行检测,发现模型是可以检测的,于是发现在Makefile文件中关闭CUDNN,之后重新Make再运行图片检测和视频检测时模型有效了,不知道这是BUG还是有意为之。

  ./darknet detector demo cfg/spark.data cfg/yolov3-tiny_spark.cfg backup/yolov3-tiny_spark_final.weights test2.mp4 
  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 1. 首先,需要准备好训练数据集和标注文件,可以使用标注工具如LabelImg等进行标注。 2. 接着,需要下载darknet框架和yolov4-tiny模型的权重文件。 3. 在darknet目录下,修改配置文件yolov4-tiny.cfg,将其中的batch、subdivisions、classes、filters等参数根据自己的数据集进行修改。 4. 将训练数据集和标注文件放入darknet/data目录下。 5. 在命令行中输入以下命令进行训练: ./darknet detector train data/obj.data cfg/yolov4-tiny.cfg yolov4-tiny.weights 6. 训练过程中可以通过命令行输的信息来观察训练情况,也可以使用工具如TensorBoard等进行可视化。 7. 训练完成后,可以使用训练好的模型进行目标检测,具体方法可以参考darknet官方文档。 ### 回答2: Darknet是一种流行的开源深度学习框架,它支持各种计算机视觉任务,例如对象检测、分类、语义分割等。Yolov4-tiny是一种基于深度神经网络的对象检测模型,其速度和准确性优于之前的版本,由于其轻量级的特性,适合在边缘设备上进行部署。在使用Darknet训练Yolov4-tiny时,需要以下几个步骤。 1. 数据集准备和标注 准备和标注数据集是深度学习的第一步。数据集包括许多图像,每张图像上都标有框框来标注对象的位置,同时还需要给每个对象打上标签。这通常需要使用专业的工具,例如LabelImg或VIA。数据集的质量和数量对于模型的准确性至关重要。 2. 修改配置文件 在训练模型之前,需要使用配置文件指定许多参数,例如学习率、训练迭代次数、批量大小等。这些参数的设置将直接影响模型的性能和训练时间。在Yolov4-tiny的配置文件中,将输入图像的大小设置为416x416,并且根据自己的数据集修改标签类别数量、训练、验证和测试集路径等参数。此外,还可以尝试调整不同的超参数来改进模型性能。 3. 下载预训练权重 通常情况下,可以使用预训练的权重来加速模型训练。在Yolov4-tiny的情况下,可以从官方网站下载预训练的权重,并将其作为初始权重进行训练。 4. 开始训练模型 完成配置文件和权重下载后,可以使用Darknet开始训练模型。在命令行中输入相应的命令,包括配置文件路径、权重路径、数据集路径等。训练过程可能需要几个小时到几天,具体时间取决于数据集的大小和复杂性。 5. 评估训练模型模型训练完成后,可以使用测试集对模型进行评估,查看其在不同指标下的表现,例如mAP(mean average precision)。评估结果可以帮助了解模型训练的效果,以及在实际应用中模型的性能如何。 6. 部署模型 最后,可以将训练好的模型部署到边缘设备上进行使用,例如实时对象检测和跟踪。在部署模型时,需要考虑设备的性能和存储容量,并根据具体需求进行优化,例如芯片加速、量化等。 ### 回答3: YoloV4-tiny是一种物体检测算法模型,其可用于实现高效的实时目标检测应用。而darknet则是实现该模型训练的深度学习框架,其可在Linux和Windows平台上运行。下面将详细介绍darknet训练YoloV4-tiny的步骤和方法。 首先,需要在计算机上安装darknet,可通过下载源代码后进行编译安装,也可直接使用已编译好的可执行文件。安装成功后,需要下载训练用的数据集,并将其转换为darknet可用的格式,通常为txt格式的标注文件和jpg格式的图片。将数据集放入darknet目录下的data文件夹中。 接下来,需要准备好yolov4-tiny的配置文件。配置文件包括模型参数、训练参数、数据集路径等,可参照darknet自带的yolov4-tiny.cfg文件进行设置。其中,需要注意的是网络结构的参数需要与数据集的类别数目对应,否则会导致训练结果不准确。另外,还需设置学习率、批次大小、迭代次数等训练参数。 完成配置文件的设置后,就可开始训练模型了。在命令行中输入训练命令,如“./darknet detector train data/obj.data cfg/yolov4-tiny.cfg yolov4-tiny.weights -gpus 0,1”,其中参数含义分别为:数据集路径、配置文件路径、预训练权重路径、使用GPU设备和数量。 训练过程中,darknet会输每一轮训练的损失值和预测精度,可通过观察损失值变化来判断训练进展情况。训练完成后,会在darknet目录下生成新的权重文件,可用于实际应用。 总的来说,训练YoloV4-tiny需要准备好数据集、配置文件和训练参数,并在darknet中进行训练训练过程需要耗费一定时间和计算资源,但能得到高效、准确的检测模型,适用于各种物体检测应用。

“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
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