如何在自定義的數(shù)據(jù)集上訓(xùn)練YOLOv5?
YOLO系列的目標(biāo)檢測模型隨著YOLOv5的引入變得越來越強(qiáng)大了。在這篇文章中,我們將介紹如何訓(xùn)練YOLOv5為你識別自己定制的對象。
本文我們使用公共血細(xì)胞檢測數(shù)據(jù)集,你可以自己導(dǎo)出,也可以在自己自定義數(shù)據(jù)上使用本教程。公共血細(xì)胞檢測數(shù)據(jù)集:https://public.roboflow.a(chǎn)i/object-detection/bccd為了訓(xùn)練檢測器,我們采取以下步驟:安裝YOLOv5依賴項下載自定義YOLOv5對象檢測數(shù)據(jù)定義YOLOv5模型配置和架構(gòu)訓(xùn)練一個定制的YOLOv5檢測器評估YOLOv5性能可視化YOLOv5訓(xùn)練數(shù)據(jù)對測試圖像使用YOLOv5進(jìn)行推斷導(dǎo)出并保存YOLOv5權(quán)重以供將來使用YOLOv5的新技術(shù)點就在兩個月前,我們對googlebrain引入EfficientDet感到非常興奮,并寫了一些關(guān)于EfficientDet的博客文章。我們認(rèn)為這個模型可能會超越Y(jié)OLO家族在實時目標(biāo)探測領(lǐng)域的突出地位,但事實證明我們錯了。三周內(nèi),YOLOv4在Darknet框架下發(fā)布,我們還寫了很多關(guān)于YOLOv4技術(shù)解析的文章。在寫這些文章的幾個小時之前,YOLOv5發(fā)布了,我們發(fā)現(xiàn)它非常清晰明了。YOLOv5是在Ultralytics-Pythorch框架中編寫的,使用起來非常直觀,推理速度非?。事實上,我們和許多人經(jīng)常將YOLOv3和YOLOv4 Darknet權(quán)重轉(zhuǎn)換為Ultralytics PyTorch權(quán)重,以便使用更輕的庫來更快地進(jìn)行推理。YOLOv5比YOLOv4表現(xiàn)更好嗎?我們很快會向你介紹,在此之前你需要已經(jīng)對YOLOv5和YOLOv4有了初步的了解。
YOLOv5與EfficientDet的性能對比YOLOv4顯然沒有在YOLOv5存儲庫中進(jìn)行評估,也就是說,YOLOv5更易于使用,而且它在我們最初運行的定制數(shù)據(jù)上表現(xiàn)非常出色。我們建議你在 YOLOv5 Colab Notebook 中同時進(jìn)行接下來的操作。https://colab.research.google.com/drive/1gDZ2xcTOgR39tGGs-EZ6i3RTs16wmzZQ安裝YOLOv5環(huán)境首先我們克隆YOLOv5存儲庫并安裝依賴項,這會設(shè)置我們的編程環(huán)境,準(zhǔn)備好運行對象檢測訓(xùn)練和推理命令。!git clone https://github.com/ultralytics/yolov5 # clone repo!pip install -U -r yolov5/requirements.txt # install dependencies
%cd /content/yolov5
然后,我們可以看看谷歌Colab免費提供給我們的訓(xùn)練環(huán)境。import torchfrom IPython.display import Image # for displaying imagesfrom utils.google_utils import gdrive_download # for downloading models/datasets
print('torch %s %s' % (torch.__version__, torch.cuda.get_device_properties(0) if torch.cuda.is_available() else 'CPU'))你會從谷歌Colab收到一個 Tesla P100 GPU。以下是我收到的:torch 1.5.0+cu101 _CudaDeviceProperties(name='Tesla P100-PCIE-16GB', major=6, minor=0, total_memory=16280MB, multi_processor_count=56)GPU可以讓我們加快訓(xùn)練時間,Colab預(yù)裝了torch和cuda。如果你嘗試在本地使用本教程,可能需要執(zhí)行其他步驟來設(shè)置YOLOv5。下載自定義YOLOv5對象檢測數(shù)據(jù)在本教程中,我們將從Roboflow下載YOLOv5格式的自定義對象檢測數(shù)據(jù)。在本教程中,我們使用公共血細(xì)胞檢測數(shù)據(jù)集訓(xùn)練YOLOv5檢測血流中的細(xì)胞,你可以使用公共血細(xì)胞數(shù)據(jù)集或上傳你自己的數(shù)據(jù)集。Roboflow:https://roboflow.a(chǎn)i/公共血細(xì)胞數(shù)據(jù)集:https://public.roboflow.a(chǎn)i/object-detection/bccd關(guān)于標(biāo)記工具的說明如果你有未標(biāo)記的圖像,則首先需要標(biāo)記它們。對于免費的開源標(biāo)簽工具,我們推薦你閱讀 LabelImg入門 或 CVAT注釋工具入門 的教程指南。嘗試標(biāo)記約50幅圖像再繼續(xù)本教程,因為在以后提高模型的性能的過程中,你將需要添加更多標(biāo)簽。https://blog.roboflow.a(chǎn)i/getting-started-with-labelimg-for-labeling-object-detection-data/https://blog.roboflow.a(chǎn)i/getting-started-with-cvat/一旦你標(biāo)記了數(shù)據(jù),要將數(shù)據(jù)移動到Roboflow中,請創(chuàng)建一個免費帳戶,然后你可以以任何格式拖動數(shù)據(jù)集:(VOC XML、COCO JSON、TensorFlow對象檢測CSV等)。上傳后,你可以選擇預(yù)處理和增強(qiáng)步驟:
為BCCD示例數(shù)據(jù)集選擇設(shè)置然后,單擊 Generate 和 Download,你將可以選擇YOLOv5 Pythorch格式了。

請輸入評論內(nèi)容...
請輸入評論/評論長度6~500個字
最新活動更多
推薦專題
-
10 大模型的盡頭是開源
- 1 特斯拉工人被故障機(jī)器人打成重傷,索賠3.6億
- 2 【行業(yè)深度研究】退居幕后四年后,張一鳴終于把算法公司變成AI公司?
- 3 AI 時代,阿里云想當(dāng)“安卓” ,那誰是“蘋果”?
- 4 華為公布昇騰芯片三年計劃,自研HBM曝光
- 5 硬剛英偉達(dá)!華為發(fā)布全球最強(qiáng)算力超節(jié)點和集群
- 6 機(jī)器人9月大事件|3家國產(chǎn)機(jī)器人沖刺IPO,行業(yè)交付與融資再創(chuàng)新高!
- 7 谷歌“香蕉”爆火啟示:國產(chǎn)垂類AI的危機(jī)還是轉(zhuǎn)機(jī)?
- 8 00后華裔女生靠兩部AI電影狂賺7.8億人民幣,AI正式進(jìn)軍好萊塢
- 9 美光:AI Capex瘋投不止,終于要拉起存儲超級周期了?
- 10 華為已殺入!AI領(lǐng)域最熱黃金賽道,大廠的數(shù)字人美女讓我一夜沒睡著覺