午夜精品久久久久蜜桃,亚洲成人性,一区二区三区亚洲,素人无码成人网站,男人操女人网站,青青草国产精品久久久久婷婷 ,理论片在线免费视频,天天综合天天添夜夜添狠狠添

向AI轉(zhuǎn)型的程序員都關(guān)注了這個(gè)號(hào)??????

機(jī)器學(xué)習(xí)AI算法工程?? 公眾號(hào)：datayx

目標(biāo)檢測(cè)yolov5 v6.0版，pytorch實(shí)現(xiàn)，包含了目標(biāo)檢測(cè)數(shù)據(jù)標(biāo)注，數(shù)據(jù)集增強(qiáng)，訓(xùn)練自定義數(shù)據(jù)集全流程。

一.環(huán)境

    Python >= 3.7
    Pytorch >= 1.7.x

二.標(biāo)注工具

pip install labelImg ==1.8.6

安裝完畢后，鍵入命令：

labelImg

或者下載工具 labelImg.exe?

項(xiàng)目全部代碼，數(shù)據(jù)集，標(biāo)注工具，預(yù)訓(xùn)練模型獲取方式：

關(guān)注微信公眾號(hào) datanlp? 然后回復(fù)?魚苗?即可獲取。

半自動(dòng)標(biāo)注

如果數(shù)據(jù)集較多，可以先手動(dòng)標(biāo)注少量，然后訓(xùn)練出初版模型，然后用初版模型預(yù)測(cè)進(jìn)行預(yù)標(biāo)注，最后人工檢查。

步驟：

1.將待標(biāo)注圖像放入auto_label/images

2.修改auto_label.py的第62至65行如下的內(nèi)容：

path = r"auto_label/images"   #待標(biāo)注圖片路徑
xml_path = r"auto_label/images"    #輸出的xml標(biāo)注文件保存路徑
yolo_model_weight='./weight/IDCard_v6x_best.pt'  #模型文件路徑
data_conf = './data/custom_data.yaml'  #數(shù)據(jù)集配置文件路徑

3.運(yùn)行auto_label.py

三.數(shù)據(jù)集增強(qiáng)

步驟：

1.將標(biāo)注數(shù)據(jù)集的標(biāo)簽（xml文件）放入./DataAugForObjectDetection/data/Annotations

2.將標(biāo)注數(shù)據(jù)集的圖片放入./DataAugForObjectDetection/data/images

3.修改./DataAugForObjectDetection/DataAugmentForObejctDetection.py/中的need_aug_num，即每張圖片需要擴(kuò)增的數(shù)量，然后運(yùn)行./DataAugForObjectDetection/DataAugmentForObejctDetection.py

注意：DataAugmentForObejctDetection_pool.py 是多進(jìn)程增強(qiáng)版本，耗時(shí)較少。代碼中的process不宜設(shè)置過大否則可能會(huì)報(bào)錯(cuò)，默認(rèn)即可。

四.數(shù)據(jù)集格式轉(zhuǎn)換

將?VOC?的數(shù)據(jù)集轉(zhuǎn)換成?YOLOv5?訓(xùn)練需要用到的格式。

步驟：

1.將標(biāo)注數(shù)據(jù)集的標(biāo)簽（xml文件）放入./datasets/Annotations

2.將標(biāo)注數(shù)據(jù)集的圖片放入./datasets/images

3.將voc_to_coco.py中的class_names改為數(shù)據(jù)集中標(biāo)注的類別名稱，運(yùn)行 voc_to_coco.py

額外說明

需要生成每個(gè)圖片對(duì)應(yīng)的?.txt?文件，其規(guī)范如下：

每一行都是一個(gè)目標(biāo)
類別序號(hào)是零索引開始的（從0開始）
每一行的坐標(biāo)?class x_center y_center width height?格式
框坐標(biāo)必須采用歸一化的 xywh格式（從0到1）。如果您的框以像素為單位，則將x_center和width除以圖像寬度，將y_center和height除以圖像高度。

生成的?.txt?例子：

1 0.1830000086920336 0.1396396430209279 0.13400000636465847 0.15915916301310062
1 0.5240000248886645 0.29129129834473133 0.0800000037997961 0.16816817224025726
1 0.6060000287834555 0.29579580295830965 0.08400000398978591 0.1771771814674139
1 0.6760000321082771 0.25375375989824533 0.10000000474974513 0.21321321837604046
0 0.39300001866649836 0.2552552614361048 0.17800000845454633 0.2822822891175747
0 0.7200000341981649 0.5570570705458522 0.25200001196935773 0.4294294398277998
0 0.7720000366680324 0.2567567629739642 0.1520000072196126 0.23123123683035374

如果數(shù)據(jù)標(biāo)簽沒生成正確，則會(huì)報(bào)錯(cuò)

mlc = int(np.concatenate(dataset.labels, 0)[:, 0].max())  # max label class
  File "D:\app\anaconda3\lib\site-packages\numpy\core\_methods.py", line 40, in _amax
    return umr_maximum(a, axis, None, out, keepdims, initial, where)
ValueError: zero-size array to reduction operation maximum which has no identity

五.修改數(shù)據(jù)集配置文件

在?data/目錄下修改數(shù)據(jù)集配置文件?custom_data.yaml ，文件內(nèi)容如下

# 目標(biāo)類型數(shù)量，按自己的數(shù)據(jù)集來改
nc: 3

#目標(biāo)類型名稱，按自己的數(shù)據(jù)集來改
names: ['person', 'head', 'helmet']

六.聚類得出先驗(yàn)框（Yolov5 內(nèi)部已做適配，可選）

步驟：

1.將./gen_anchors/clauculate_anchors.py的CLASS_NAMES改為數(shù)據(jù)集中標(biāo)注的類別名稱

2.運(yùn)行?./gen_anchors/clauculate_anchors.py

跑完會(huì)生成一個(gè)文件?anchors.txt，里面有得出的建議先驗(yàn)框：

Best Anchors : 
[257, 114, 309, 75, 327, 243]
[439, 59, 469, 347, 488, 117]
[497, 460, 500, 240, 500, 172]

七.修改模型配置文件

在文件夾?./models?下選擇一個(gè)你需要的模型然后復(fù)制一份出來（選擇的預(yù)訓(xùn)練模型pt文件模型名稱必須與模型配置文件yaml對(duì)應(yīng)，否則加載模型會(huì)報(bào)錯(cuò)），將文件開頭的?nc =?修改為數(shù)據(jù)集的分類數(shù)，修改第六步獲取的先驗(yàn)框anchors（可選）。

比如，預(yù)訓(xùn)練模型是yolov5s.pt,就需要復(fù)制一份./models/yolov5s.yaml，重命名為custom_yolov5.yaml。

然后修改custom_yolov5.yaml中的 nc和anchors（可選）。

# parameters
nc: 1  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

# anchors
anchors:
  - [257, 114, 309, 75, 327, 243]  # P3/8
  - [439, 59, 469, 347, 488, 117]  # P4/16
  - [497, 460, 500, 240, 500, 172]  # P5/32

八.開始訓(xùn)練

1.將預(yù)訓(xùn)練模型下載放置在weight目錄下；

2.修改train.py中的第454行weights預(yù)訓(xùn)練模型的路徑；

3.修改train.py中的第455行cfg模型配置文件路徑

4.修改train.py中的第455行batch-size

5.運(yùn)行train.py

注意 workers=0 #必須為0

注意：

如果代碼是從github 重新clone下來的，需要

注釋掉 utils/loggers/init.py 的wandb，不然程序會(huì)提示你需要注冊(cè)wandb用戶

修改如下：

# try:
#     import wandb
#
#     assert hasattr(wandb, '__version__')  # verify package import not local dir
#     if pkg.parse_version(wandb.__version__) >= pkg.parse_version('0.12.2') and RANK in [0, -1]:
#         try:
#             wandb_login_success = wandb.login(timeout=30)
#         except wandb.errors.UsageError:  # known non-TTY terminal issue
#             wandb_login_success = False
#         if not wandb_login_success:
#             wandb = None
# except (ImportError, AssertionError):
#     wandb = None
wandb = None

train.py開頭添加

os.environ['CUDA_VISIBLE_DEVICES'] = '0'

File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/module.py", line 1102, in _call_impl
    return forward_call(*input, **kwargs)
  File "/data/disk2/pact/yolov5_v6.0/models/common.py", line 47, in forward
    return self.act(self.bn(self.conv(x)))
  File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/module.py", line 1102, in _call_impl
    return forward_call(*input, **kwargs)
  File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/conv.py", line 446, in forward
    return self._conv_forward(input, self.weight, self.bias)
  File "/home/lkz/.virtualenvs/lkztor/lib64/python3.6/site-packages/torch/nn/modules/conv.py", line 443, in _conv_forward
    self.padding, self.dilation, self.groups)
RuntimeError: Unable to find a valid cuDNN algorithm to run convolution

顯存不足導(dǎo)致

解決辦法：減小batchzise