博客记录个人训练过程，欢迎指正错误。第一步：制作自己的数据集数据集格式仿照VOC数据集，建立一个名为VOCdevkit的文件夹，文件夹中包含制作的VOC数据集。 Annotations文件夹下包含训练图片的标签文件（.xml) ImageSets 文件夹下包含一个名为 Main的文件夹，用于存放训练用的txt文件 JPEGImages 文件夹下存放训练用的图片，按顺序标号用labelImg对训练用
//1. 在ubuntu18.04下安装yolov3安装darknet按ctrl+atl+t 打开终端， 并在终端下依次输入以下命令git clone https://github.com/pjreddie/darknet.git
cd darknet
make如果成功的话你会看到以下信息mkdir -p obj
gcc -I/usr/local/cuda/include/ -Wall -W
ps:本文仅为个人学习yolov1（通过b站up同济子豪兄的学习视频）时记录的东西。关于损失函数的部分并未理解透彻，所以并未有笔记。因为未学习过神经网络，所以中间涉及的部分个人是当作黑盒来理解的。可能有错，望指出。Yolov1介绍：YOLO（You Only Look Once: Unified, Real-Time Object Detection），是Joseph Redmon和Ali Far
转载
2024-10-14 10:51:25
71阅读
业界对于目标检测的热度只增不减，但目前的框架也难于逾越RCNN系列、SSD、YOLO系列这三座大山，很多新的方法也是在此基础上做一些改进，所以有必要做一些整理，方便自己后续查看，这里先对YOLO系列做一些整理。没看过文章的可以回头细细品味下yolo-v1(发表于2016.5)、yolo-v2(发表于2016.12)、yolo-v3(发表于2018.4)这是继RCNN系列（two-stage）后针对
YoloAll项目简介YoloAll是一个将当前主流Yolo版本集成到同一个UI界面下的推理预测工具。可以迅速切换不同的yolo版本，并且可以针对图片，视频，摄像头码流进行实时推理，可以很方便，直观的对比不同版本的yolo的推理效果，耗时等。自从YoloAll V1版本推出以后，得到了很多朋友的喜欢，大家也跟我一样，被众多的Yolo版本所困扰，有时为了比较两个不同版本的Yolo的效果，往往需要花费
转载
2024-09-06 19:13:06
151阅读
batch:每一次迭代送到网络的图片数量，也叫批数量。增大这个可以让网络在较少的迭代次数内完成一个epoch。在固定最大迭代次数的前提下，增加batch会延长训练时间，但会更好的寻找到梯度下降的方向。如果你显存够大，可以适当增大这个值来提高内存利用率。这个值是需要大家不断尝试选取的，过小的话会让训练不够收敛，过大会陷入局部最优。subdivision：这个参数很有意思的，它会让你的每一个batch
转载
2024-04-28 07:11:52
154阅读
文章目录yolo配置文件以及训练时各参数的含义 yolo配置文件以及训练时各参数的含义[net]
# Testing ### 测试模式
# Training ### 训练模式
# batch=64
# subdivisions=16
-------------------------------------
一、回顾YOLOV1和YOLOV2的骨干网络 在YOLOV1中，输入数据为448x448x3，经过骨干网络后，最后输出7x7x30大小的矩阵。表示为一个输入图片被划分为7x7的网格，每一个网格输出2个BBOX，每一个BBOX有4个位置参数，1个置信度参数，每一个网格还有20个标签分类概率。故总的大小为7x7x(2x5+20)。在YOLOV2中，输入数据为416x416x3，通过Darknet-19
转载
2024-10-16 14:20:44
84阅读
在使用服务器运行YOLO模型的过程中，时常会因为各种原因而中断，如断网、关机等情况，YOLO中给提供了一个参数 resume：意为断点训练，即可以接着之前的训练来进行训练。
原创
2023-06-18 01:25:51
1480阅读
代码加数据python train.py
原创
2023-01-12 23:52:31
177阅读
准备数据：
1、当你阅读这份文档前，请确认你已经准备好了需要训练的图片，这些图片中包含需要识别的目标
2、请准备好标注工具，这里推荐用labelImg，下载地址：
https://github.com/tzutalin/labelImg
3、到这里你需要准备好Annotations 和 JPEGImages，An
Yolov1整体思路就是利用CNN做回归任务，预测出物体框的坐标；输入s*s的图片。每一个小格子两种候选框（v1中只有两种），目标是要计算候选框的IoU值与置信度；计算IOU，IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值，选择IOU值大的候选框进行后微调，NMS(非极大值抑制)去除另一个IoU比较低的候选框；计算每个格子confidence置信度，然后根据阈值去除可能性
学习笔记--Yolo v4 训练数据集1. 安装1.1 设备版本号1.2 设置Makefile1.3 编译2. 建立工作文件夹3. 准备训练数据集4. 修改配置文件5.训练自己的数据集6. 测试训练出来的网络模型7. 性能统计8. Anchor Box先验框聚类分析与修改9. 四轴 --radiolink-- 遥控器 --usblink-- 上位机 通信链路9.1 串口通信serialdarkn
转载
2023-10-19 12:37:51
261阅读
目录一、下载YOLO3项目二、修改makefile配置三、准备数据集四、下载预训练权重（未实验）五、修改3个配置文件1、cfg/voc.data2、data/voc.name3、cfg/yolov3-voc.cfg六、训练七、关于训练时打印的日志详解八、测试一、下载YOLO3项目git clone https://github.com/pjreddie/darknet
cd darknet在 da
做机器训练有段时间了，从Windows到Mac再到Unbuntu，一直在搭建tensorflow机器训练环境。在工作中逐步找到最快捷的搭建方式，这次就以Mac为例记录下在Mac中搭建tensorflow机器训练环境（Ubuntu搭建流程是一样的）。 首先，由于多年来养成的IDE编程习惯，就想着如果有合适的IDE用于开发ten
转载
2024-03-09 20:41:18
54阅读
一、模型移动端环境部署可以参考：二、训练模型本文使用的yolov5为ultralytics公司的一个开源产品，由Glenn大佬实现，有很多合作的开发者参与了该项目，开发迭代速度非常快，三天两头就有更新。本文训练采用的GOOGLE的colab，不用在自己环境配置pytorch,很方便。各位如果需要VPN，可以去收一下：登录 — iKuuu VPN。这个目前是免费使用，如果使用不起，也可以花费5元一月
转载
2024-05-12 15:36:52
289阅读
摘要在本篇文章中，少奶奶将详细的讲解如何把自定义训练的网络模型转换成TensorFlow Lite能识别的模型，并嵌入到手机设备中，让大家能够摆脱只能使用Google官网提供的模型的苦恼。此次教程使用的是MNIST数据集，在下一篇文章中，少奶奶将会使用YOLOV3模型来训练更为复杂的模型结构。当然，若有小伙伴不理解YOLOV3模型，少奶奶也会在近期使用浅显易懂的方式讲解一下YOLOV3.但总的来说
目录显卡内存所需的内存主频内存大小中央处理器(CPU)CPU和PCI-ExpressPCIe通道和多GPU并行所需的CPU核数所需的CPU主频硬盘/ SSD电源装置（PSU）CPU和GPU散热风冷适用于多个GPU的水冷方案大机箱散热？制冷总结主板电脑机箱显示器关于组装PC的一些话结论深度学习的计算量非常大，需要配多个内核的快速CPU吗？买快的CPU会不会太浪费？搭建深度学习系统时，在不
1）在yolo中训练时，修改源码文件detector后需要make clean 后重新make，修改cfg文件后不需要 （2）很多博客中会要求修改src中的yolo.c文件，其实那是早期的版本中训练要求的，darknet不需要。原因是这样的，在官网里有一段执行test的代码是：./darknet detect cfg/yolo.cfg yolo.weight
前言本次是2024.0429最新更新。YOLOv8经过一年的沉淀，也已经逐渐成熟。YOLOv8论文还没出，猜测U神团队没打算写论文。目前最新的论文是YOLOv9，但v9需要的算力太高了，普通人还是抱以欣赏态度吧。代码下载目前最新版本的YOLOv8公开版是8.2.0版本 官方Github下载地址：https://github.com/ultralytics/ultralyticsYOLOv8结构图图
转载
2024-07-18 08:47:04
471阅读
