mmyolo技术文档（2）

最新推荐文章于 2025-06-12 09:09:27 发布
最新推荐文章于 2025-06-12 09:09:27 发布
阅读量1k 收藏 29
点赞数 28
CC 4.0 BY-SA版权
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Aixha/article/details/142527507

三、测试模型

3.1测试模型

完成模型的训练后，我们可以根据以下代码进行模型的测试；

#仅展示测试效果（左边为实际标注，右边为模型推理结果）
#python + 测试文件相对地址 + 配置文件相对地址 + 权重文件相对地址 --show
python tools\test.py work_dirs\yolov8_s_fast_1xb12-40e_bird\yolov8_s_fast_1xb12-40e_bird.py work_dirs\yolov8_s_fast_1xb12-40e_bird\epoch_40.pth --show
#保存测试结果（结果会被保存在show_results之中）
#python + 测试文件相对地址 + 配置文件相对地址 + 权重文件相对地址 --show-dir show_results
python tools/test.py configs/yolov5/yolov5_s-v61_fast_1xb12-40e_cat.py work_dirs/yolov5_s-v61_fast_1xb12-40e_cat/epoch_40.pth --show-dir show_results

3.2解决中文乱码问题

在测试的过程中，我们可以发现目标检测框可能会出现乱码的现象，因此我们要做出以下处理；

参考文档：

YOLOv8中文标签显示不了如何解决

YOLOv5,v8中文标签显示问题

3.2.1在环境中安装ultralytics

进入自己的环境，调用以下语句安装ultralytics

最低0.47元/天 解锁文章

200万优质内容无限畅学
【第 2 节】轻松玩转书生·浦语大模型趣味 Demo
熊猫小妖的AI世界
04-17 1549
1.2.1 什么是大模型？大模型通常指的是机器学习或人工智能领域中参数数量巨大、拥有庞大计算能力和参数规模的模型。这些模型利用大量数据进行训练，并且拥有数十亿甚至数千亿个参数。大模型的出现和发展得益于增长的数据量、计算能力的提升以及算法优化等因素。这些模型在各种任务中展现出惊人的性能，比如自然语言处理、计算机视觉、语音识别等。这种模型通常采用深度神经网络结构，如 Transformer、BERT、GPT（ Generative Pre-trained Transformer ）等。
【YOLOv8十万长文优化】独家魔改优化技巧+附20余个源码手把手教程
热门推荐
cv君的博客
08-01 2万+
【YOLOv8十万长文全解】v8 v9通用。独家魔改优化技巧+附20余个源码手把手教程; Hello，大家好，我是cv君，最近开始在空闲之余，经常更新文章啦！除目标检测、分类、分隔、姿态估计等任务外，还会涵盖图像增强领域，如超分辨率、画质增强、降噪、夜视增强、去雾去雨、ISP、海思高通成像ISP等、AI-ISP、还会有多模态、文本nlp领域、视觉语言大模型、lora、chatgpt等理论与实践文章更新，更新将变成一周2-3更，一个月争取10篇，重回创作巅峰
mmyolo技术文档（1）
Aixha的博客
09-24 1741
mmyolo下载路径：https://github.com/open-mmlab/mmyolo。
【mmYOLO】促进视觉项目落地，主打工程经验和实用。从原理配置到属性设置，从模型训练到模型评测
白水空空
06-10 1588
基础配置的 YOLOv5 使用 YOLOv5CSPDarknet，在需要将主干网络改成 YOLOv6EfficientRep 的时候，因为 YOLOv5CSPDarknet 和 YOLOv6EfficientRep 中有不同的字段，需要使用 _delete_=True 将新的键去替换 backbone 域内所有老的键。统一便捷的算法评测：MMYOLO 统一了各类 YOLO 算法模块的实现，并提供了统一的评测流程，用户可以公平便捷地进行对比分析。用户可以在这个字段中加入自定义的钩子，例如 EMAHook。
MMYOLO项目配置详解：从模型定义到训练优化
gitblog_00277的博客
06-12 440
MMYOLO项目配置详解：从模型定义到训练优化 配置系统概述 MMYOLO采用模块化设计理念，通过配置文件实现对目标检测算法各个组件的灵活控制。这种设计使得研究人员和开发者能够轻松调整模型结构、训练策略和数据增强方式，而无需修改代码本身。配置文件采用Python格式，具有清晰的层次结构，便于理解和修改。 核心配置参数解析 基础训练参数 在MMYOLO配置中，以下几个参数对模型训练影响最为显著： i...
MMYOLO：打破单一模式限制，多模态目标检测的革命性突破！
Coovally_AI的博客
01-22 1719
同时，采用了hybrid-channel策略构建了更高效的解耦检测头，将中间 3×3的ConvModule减少为1个，在维持精度的同时进一步减少了模型耗费，降低了推理延时。对于任何一个输出层，抛弃了常用的基于Max IoU匹配的规则，而是直接采用shape规则匹配，也就是该GT Bbox和当前层的Anchor计算宽高比，如果宽高比例大于设定阈值，则说明该GT Bbox和Anchor匹配度不够，将该GT Bbox暂时丢掉，在该层预测中该GT Bbox对应的网格内的预测位置认为是负样本。
海思Hi35xx系列运行YoloV3以及YoloV3-tiny指南.pdf
07-27
建议首先阅读文档《HiSVP 开发指南.pdf》、《HiSVP API 参 考.pdf》、《HiSVP 量化库使用指南.pdf》 说明：步骤 b 中生成的 Prototxt 可以直接用，ruyi studio 会自 动进行规范化
mmyolo安装
weixin_52810783的博客
06-09 901
1.MMYOLO 介绍MMYOLO 是一个基于 PyTorch 和 MMDetection 的 YOLO 系列算法开源工具箱，它是项目的一部分。MMYOLO 定位为 YOLO 系列热门开源库以及工业应用核心库，其愿景图如下所示：2.支持的任务目标检测旋转框检测3.支持的算法YOLOv5YOLOXRTMDetYOLOv6YOLOv7PPYOLOEYOLOv8按照官方文档进行安装。
main-mmyolo.zip
01-21
如果"MMyolo"是一个开源项目，那么该压缩包可能包含源代码、配置文件、文档说明和一些示例数据。用户可以下载后直接在本地环境中编译和运行，进行进一步的开发和实验。如果"MMyolo"是一个公司或研究机构内部使用的...
【mmYOLO】部署到推理还是等官方的教程吧，难顶
白水空空
06-11 1179
若在int8模式下未传入参数，则会自动使用模型配置文件中的’val’数据集进行校准。wandb 可视化需要在官网注册，并在 https://wandb.ai/settings 获取到 wandb 的 API Keys。xxx=yyy 中的键值对格式，将是 dataset.evaluate() 函数的 kwargs。: 用于评估 MMYOLO 中定义的模型的指标，如 COCO 标注格式的 “proposal”。将 PyTorch 模型转换为后端支持的模型后，您可能需要验证模型的精度，使用。
MMyolo入门知识点汇总
mengsheng12的博客
03-19 1181
功能四：基于面积规则下，显示类别和 bbox 实例面积的分布图，通过子函数。功能三：显示类别和 bbox 实例宽/高比例的分布图，通过子函数。功能二：显示类别和 bbox 实例宽、高的分布图，通过子函数。功能一：显示类别和 bbox 实例个数的分布图，通过子函数。可视化 neck 输出的 3 个层的所有输出特征图的平均激活。可视化 backbone 输出的 3 个层的最大激活层。（8）Grad-Based CAM可视化。2）查看trensformed图像。3）查看pipeline图像。
yolov5官方版本全文件
04-12
5.0版本 已经解决很多bug 能在我自己的电脑上运行
MMYOLO | YOLO 系列算法开源工具箱推荐----玩转 MMYOLO 工具类第一期： 特征图可视化
qq_43000647的博客
12-09 6636
MMYOLO 是一个基于 PyTorch 和 MMDetection 的 YOLO 系列算法开源工具箱。它是 OpenMMLab 项目的一部分。本文主要分析了 MMYOLO 中特征可视化用法。
mmyolo训练记录
Maggie's blog
03-20 544
IndexError:list index out of range.
MMYOLO配置详解
MyArrow的专栏
03-22 2715
MOYO配置文件
yolov3官方文档 涉及yolov3安装 训练 测试 调参 Windows and Linux
qq_31904559的博客
12-16 1872
Yolo-v3 and Yolo-v2 for Windows and Linux (neural network for object detection) - Tensor Cores can be used on Linux and Windows Improvements in this repository How to use How to compile on ...
【MMYOLO训练数据集】
小秋的博客
03-05 1634
MMYOLO是OpenMMLab实验室开发的一个基于YOLO系列的目标检测框架的实现，它整合了MMCV和MMEngine等工具库以支持更方便的模型训练、评估以及部署。环境安装安装Python和必要的依赖包。安装mim使用mimmim install mmcv>=指定版本,=指定版本,
Jetson MMYOLO（安装篇）
cly0216的博客
08-03 1160
在Nvidia agx xavier中使用Nvidia L4T ML容器安装使用MMYOLO，实现将模型转换。 转换路线：自己的yolo模型 → mmyolo模型 → ONNX → TRT Engine 主要环境：jetpack:5.1 l4t-ml:r35.2.1
MMYOLO 目标检测快速入门指南：15分钟完成猫类检测
最新发布
gitblog_00822的博客
06-12 362
MMYOLO 目标检测快速入门指南：15分钟完成猫类检测 目标检测简介 目标检测是计算机视觉中的基础任务之一，它不仅能识别图像中的物体类别，还能精确标定物体的位置（通过边界框表示）。MMYOLO 是一个基于 PyTorch 的 YOLO 系列目标检测开源工具箱，支持多种 YOLO 变体算法。 环境配置 基础环境安装 首先需要准备 Python 和 PyTorch 环境： conda create ...
mmyolo 实例分割 balloon
03-26
<think>好的，我现在需要帮助用户解决如何使用MMYOLO进行实例分割的问题，特别是针对Balloon数据集。首先，我需要确认用户的需求：他们想要一个教程或示例代码，使用MMYOLO在Balloon数据集上训练实例分割模型。用户可能已经了解过MMDetection或其他相关工具，但现在希望使用MMYOLO来实现。 首先，我应该回忆MMYOLO的文档和现有资源。根据用户提供的引用，特别是引用[3]提到有一个关于RTMDet在Balloon数据集上的教程，可能可以借鉴。但用户现在需要的是MMYOLO的实例分割示例，而MMYOLO主要专注于目标检测，但可能也支持实例分割，或者需要结合其他工具。 接下来，我需要检查用户提供的引用是否有相关信息。引用[2]提到使用Mask R-CNN在Balloon数据集上训练，而引用[3]是关于MMDetection3.x的实例分割教程。用户可能希望类似的流程但使用MMYOLO。不过，MMYOLO可能主要支持YOLO系列的模型，而YOLO通常用于目标检测，实例分割可能需要特定的模型，比如YOLOv8或YOLACT等。需要确认MMYOLO是否支持实例分割。 查看MMYOLO的官方文档，发现它主要支持目标检测，实例分割可能需要结合MMDet的实例分割模型。或者可能用户误解了MMYOLO的功能，需要引导他们使用MMDetection中的实例分割方法，如Mask R-CNN，或者YOLO的实例分割变种。 但是用户明确提到要使用MMYOLO，所以可能需要确认是否有相关示例。如果MMYOLO目前不支持实例分割，可能需要建议用户使用MMDetection，或者等待MMYOLO的未来更新。或者，可能存在混合使用MMYOLO和MMDet的情况，例如利用YOLO作为检测器，再结合分割头。 根据引用[3]，用户已经有一个使用RTMDet在MMDetection中进行实例分割的教程，所以可能用户希望类似的流程但使用YOLO模型。可能需要指导用户如何调整配置文件，准备数据集，并修改代码以适应实例分割任务。 现在，我需要整理步骤：准备数据集，安装MMYOLO，配置数据路径，修改模型配置，训练，测试，可视化。同时需要确保Balloon数据集转换为COCO格式，因为大多数框架都使用COCO格式。 在准备数据集方面，引用[2]提到下载和解压Balloon数据集，可能需要将其转换为COCO格式的annotations。用户可能需要使用工具将现有的Balloon标注（可能是VOC或其他格式）转换为COCO的JSON文件。 安装MMYOLO需要按照官方指南，可能包括安装MMEngine, MMCV, MMDetection等依赖项。然后，配置数据集的路径，类似引用[3]中的示例代码。 在模型配置方面，可能需要选择支持实例分割的YOLO模型，例如YOLOv8-seg，或者使用YOLO检测模型结合分割头。需要查看MMYOLO的文档是否有相关配置示例。 训练过程中，可能需要调整学习率、优化器参数，以及数据增强设置。测试时使用训练好的模型进行推理，并可视化结果，如实例分割掩码。 如果MMYOLO目前不支持实例分割，可能需要告知用户这一限制，并建议使用MMDetection中的实例分割模型，如Mask R-CNN或RTMDet，如引用[3]所示。或者，如果用户坚持使用MMYOLO，可能需要指导他们如何扩展模型，添加分割分支，但这可能需要较深的专业知识。 总结来说，步骤可能包括： 1. 准备Balloon数据集，转换为COCO格式。 2. 安装MMYOLO及相关依赖。 3. 配置数据集路径和模型配置文件。 4. 训练模型。 5. 测试和可视化结果。 同时，需要确保用户能够访问示例代码或配置文件，可能需要参考现有的MMDetection实例分割教程，并调整以适应YOLO模型的结构。如果遇到问题，比如MMYOLO不支持实例分割，需要明确告知用户，并提供替代方案。</think>以下是使用MMYOLO进行实例分割的步骤说明和示例代码： ### 1. 数据集准备 Balloon数据集需要转换为COCO格式。目录结构如下： ``` balloon_dataset/ ├── train/ │ ├── image1.jpg │ └── ... ├── val/ └── annotations/ ├── train.json └── val.json ``` 可使用`pycocotools`转换标注格式[^2][^4]。 ### 2. 环境安装 ```bash pip install mmyolo mmengine mmcv mmdet ``` ### 3. 配置文件 创建`configs/yolov8/yolov8_ins_seg_balloon.py`： ```python _base_ = 'yolov8_ins_seg.py' data_root = 'balloon_dataset/' metainfo = { 'classes': ('balloon',), 'palette': [(255, 0, 0)] } train_dataloader = dict( dataset=dict( data_root=data_root, ann_file='annotations/train.json', data_prefix=dict(img='train/')) ) val_dataloader = dict( dataset=dict( data_root=data_root, ann_file='annotations/val.json', data_prefix=dict(img='val/')) ) ``` ### 4. 训练命令 ```bash python tools/train.py configs/yolov8/yolov8_ins_seg_balloon.py \ --work-dir work_dirs/balloon_exp \ --amp ``` ### 5. 推理测试 ```python from mmyolo import init_model, inference_model model = init_model('work_dirs/balloon_exp/best_coco_segm.pth', config='configs/yolov8/yolov8_ins_seg_balloon.py') result = inference_model(model, 'test_image.jpg') model.show_result(result, out_file='result.jpg') ``` ### 注意事项 1. 当前MMYOLO(v1.0.0)的实例分割支持基于YOLOv8-seg实现 2. 训练前需确保显存足够（建议≥16GB显存） 3. 可调整`batch_size`和`img_scale`参数适应硬件配置 参考示例代码结构可查看MMYOLO官方仓库的`demo`目录[^3]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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