关于yolov5-lite训练过程的踩坑记录

最新推荐文章于 2024-04-27 10:07:47 发布

39841

最新推荐文章于 2024-04-27 10:07:47 发布

阅读量156

点赞数 3

文章标签： YOLO 深度学习嵌入式硬件

本文链接：https://blog.csdn.net/weixin_74279806/article/details/136989539

版权

博主最近在做一个关于智能小车的视觉项目，想选用yolov5-lite模型进行搭载，训练过程中发现 train.py文件中报错：浮点数转换错误。

此问题是由于在tensor张量中，有部分参数并未默认为浮点数类型，点击报错的代码行，将问题参数直接加.long()后缀转换即可

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

39841

关注关注

3
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
关于yolov5-lite训练过程的踩坑记录

训练过程中发现 train.py文件中报错：浮点数转换错误。
复制链接

扫一扫

YOLOV5-Lite轻量化部署与训练

`or 1 or 不正经の泡泡

07-08

2308

没啥意思，很简单，需要实现一个目标检测，但是，不能占用太多运算资源，同时需要保证一定的精度。并且要在移动端部署，要在一台ROS小车上面部署。那么此时常见的选择自然有yolov3-tiny等。但是考虑到onnx部署方案的成熟，目前的加持之下，python也有不错的效率，所以，这里就考虑使用到yolov5-lite版本。可以看到官方的对比：同时在我的本地机器上面也是做了对比。

基于树莓派4B的YOLOv5-Lite目标检测的移植与部署（含训练教程）

热门推荐

black_sneak的博客

06-27

3万+

基于树莓派4B的YOLOv5-Lite目标检测的移植与部署（含训练教程），手把手教学级别，博客全篇代码开源！！！

1 条评论您还未登录，请先登录后发表或查看评论

训练自己的yolov5-lite并部署到树莓派4b4g上踩的一些坑

qq_64310307的博客

10-15

461

萌新人工智能日记

跌倒目标检测，云端训练yolov5-lite和用自己电脑训练差别巨大，简直太强了

Alihao_的博客

10-01

577

为什么建议新手小白或者急于训练的人在云端进行训练？简单方便是一个原因，其次是环境部署的更好，训练效果更高，如果你不信可以看看我的训练效果对比

树莓派部署yolov5-lite全过程及踩坑记录

Alihao_的博客

10-14

3035

总之，YOLOv5-Lite模型相较于YOLOv5更轻、更快、更易部署，将其部署到树莓派上可以实现实时目标检测，并节约成本和提供便携性。内容包括树莓派上部署yolov5-lite模型

YOLOv5-lite预训练权重文件

07-06

YOLOv5-lite预训练权重文件（V5lite-e.pt/V5lite-s.pt/V5lite-g.pt/V5lite-c.pt） YOLOv5-lite预训练权重文件 YOLOv5-lite预训练权重文件 YOLOv5-lite预训练权重文件 YOLOv5-lite预训练权重文件 YOLOv5-lite预训练...

基于树莓派4B的YOLOv5-Lite目标检测的资源包

06-27

1. **模型权重文件**：YOLOv5-Lite的预训练模型权重，这是模型的核心部分，用于识别图像中的物体。 2. **模型配置文件**：描述了网络架构和超参数，包括每层的类型、输出尺寸等。 3. **推理代码**：用Python编写的...

YOLOV5-ti-lite 目标检测模型

02-21

YOLOV5-ti-lite 目标检测模型该存储库基于 ultralytics/yolov5。根据 Ultralytics 的官方自述文件，YOLOV5 是一个目标检测器系列，与 YOLOV3 有以下主要区别： Darknet-csp 骨干网而不是普通的暗网。将复杂性降低 ...

yolov5-lite

08-04

6. **应用场景**：YOLOv5-Lite适合于各种低功耗、实时监控的场景，如智能家居、无人零售、安防监控等，其中数字识别可能是通过添加特定的数据集和训练得到的。通过了解YOLOv5-Lite的实现原理和特点，我们可以更好...

基于树莓派Qt+opencv+yolov5-Lite+C++部署深度学习推理

03-05

在实际部署中，首先需要将预训练的YOLOv5-Lite模型转换为适合C++接口的格式，然后在C++代码中加载模型，使用OpenCV处理输入图像，通过模型进行推理，最后将检测到的目标框和类别信息显示在Qt界面中。总的来说，这...

yolov3-lite.cfg

10-27

加快的YOLOv3行人检测配置文件

YOLO系列之YOLO-Lite：实时运行在CPU上的目标检测算法

hllyzms的博客

08-20

1159

yolo-lite带来的启示是“删繁就简”，如果不是为了刷榜(COCO)，而是在实际项目中，这种“就简”的思维用处很大。首先，COCO数据集是检测80分类，然而我们实际项目中往往用不到这么多类别的检测。直接用人家在COCO数据集上训练出来的模型，其实有很多冗余。对于简单的项目，丢简单的模型，反而不容易造成过拟合。BN层可能对小模型的帮助并没有那么大，如果在小任务如单目标检测上，可以考虑去掉BN层。

YOLOV5_DeepSort复现过程中遇到的问题解决办法（浮点数问题，下采样问题，OMP问题）

m0_64346597的博客

10-24

1630

1.下载下来的YOLOV5_DeepSort按照环境配置需求完成配置之后，首先出现第一个问题。网上翻了一堆也没找到解决办法，github的英文晦涩难懂，一上午的寻找之后发现可以这样解决。画圈的地方原本为half，修改为float即可，鸣谢。2.第一个问题解决之后，立马出现第二个问题，问题形式为。真的很讨厌这个错误，但是也还是能解决，解决办法如下。前两个问题都解决之后，接下来出现如下图所示的问题。新增添的代码直接复制下面的，粘贴过去即可。好的，第二个问题已经解决。再次运行，即可跑通该项目。

探秘YOLO-LITE：轻量级物体检测框架的技术魅力

最新发布

gitblog_00037的博客

04-27

435

探秘YOLO-LITE：轻量级物体检测框架的技术魅力项目地址:https://gitcode.com/reu2018DL/YOLO-LITE 项目简介 YOLO-LITE 是一个基于深度学习的轻量级物体检测框架，灵感来源于经典的 YOLO (You Only Look Once) 系列算法。它的设计目标是为资源有限的设备如嵌入式系统、移动端设备提供高效的物体检测解决方案。YOLO-LITE不仅...

YoloV5、ShuffleNetV2、YoloV5-Lite网络概述

m0_64561077的博客

03-24

2654

本文主要讲解了yolov5、ShuffleNetV2以及yolov5-Lite的网络结构相关知识

YOLOv5-Lite：更轻更快易于部署的YOLOv5

chenxiangrong的博客

08-19

1万+

本文版权属于GiantPandaCV，未经允许请勿转载前言：毕设的一部分，前段时间，在yolov5上进行一系列的消融实验，让他更轻（Flops更小，内存占用更低，参数更少），更快（加入shuffle channel，yolov5 head进行通道裁剪，在320的input_size至少能在树莓派4B上一秒推理10帧），更易部署（摘除Focus层和四次slice操作，让模型量化精度下降在可接受范围内）。一、消融实验结果比对 ID Model Input_size Flops Params Si.

YOLOv5-Lite 详解教程 | 嚼碎所有原理、训练自己数据集、TensorRT部署

hllyzms的博客

07-30

3016

这里给出轻量化设计的4个准则。

Yolov5 lite 重新训练COCO数据（只训练COCO含Person部分，其他当负样本）

HiiHongFe的博客

04-19

6522

一、数据准备本文使用的YoLov5 lite 对COCO进行重新训练。这里需要提出的出，YOLO针对训练样本的数据划分，是不能直接采我们下载的COCO数据划分方式的的，需要将COCO中的json文件划分成txt文件（这里目标检测，就针对instances）。txt中存放的是每张图片中含有目标对象的类别和anchor的坐标。YOLO的数据集的划分目录结构如下： images： train2017: xxxxx.jpg xxxxx.jpg … val2017: xxxxx.jpg xxxxx.jpg … l

Yolo-lite:实时的适用于移动设备的目标检测算法(比ssd和mobilenet更快)

ghw15221836342的博客

11-24

1万+

YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers 论文：Yolo-lite paper 项目：Yolo-lite 摘要：　　作者提出了一种可以应用于便携式设备中运行的实时的目标检测算法，例如：手机或者没有gpu的笔记本．在PASCAL VOC和coco数据集上的map是33...

yolov5-lite训练数据集

09-08

您好！感谢您的提问。Yolov5-lite是一个基于PyTorch实现的目标检测算法，它是Yolov5系列中的一个轻量级版本。训练数据集对于目标检测算法的训练非常重要，以下是一些关于训练数据集的注意事项： 1. 数据集收集：首先，您需要收集包含您感兴趣的目标类别的图像数据集。这可以通过从互联网上下载现有数据集，或者自己拍摄和标注图像来实现。 2. 标注数据：在训练Yolov5-lite之前，您需要为每个图像标注目标边界框和类别标签。常用的标注工具包括LabelImg、Labelbox和RectLabel等。 3. 数据增强：为了增加模型的鲁棒性和泛化能力，您可以使用数据增强技术来扩充数据集。常用的数据增强方法包括随机裁剪、缩放、翻转、旋转等。 4. 数据格式：Yolov5-lite使用的数据格式是YOLO格式，每个图像对应一个同名的txt文件，txt文件中包含每个目标的边界框坐标和类别标签信息。 5. 数据划分：将整个数据集划分为训练集和验证集，通常采用70%~90%的数据作为训练集，剩余的作为验证集，以评估模型的性能。 6. 训练配置：在进行训练之前，您需要编写一个训练配置文件，指定模型的参数、数据集路径、类别标签等信息。在配置文件中，您还可以设置训练的超参数，如学习率、批大小等。 7. 训练过程：最后，使用Yolov5-lite的训练脚本开始训练。在训练过程中，模型将根据输入图像和标注信息进行反向传播优化权重，以提高对目标的检测精度。希望以上信息对您有所帮助！如果您还有其他问题，请随时提问。