大漠插件ai识别调试记录

本文详细指导了如何在Windows环境下安装和配置Python、CUDA、PyTorch以及YOLOv5,包括环境变量设置、工具包下载和测试,同时介绍了大漠Yolo综合工具的使用方法和快捷键。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.准备

yolo.rar

ai.rar

dm.rar

大漠Yolo综合工具.rar

这些工具在官网下载最新的版本

1.环境搭建

在yolo压缩包里面的环境配置.txt

需求环境(只是训练的机器环境,用插件的环境没有任何要求)
1. win10或者win11 64位系统. 其他系统没测试过,不一定能行. 系统最好最新版本. (必须)
2. 最好有nvidia显卡,并且显卡驱动更新到最新的版本,最好是30系列以上. 如果没有的话,训练效率会很低下. (可选,但是还是强烈建议)
3. 全局科学上网.因为很多安装包都需要到外网下载.(必须)


安装步骤
1.  安装python 3.8以上的版本.  
    下载地址 https://www.python.org/downloads/
    安装时,记得勾选添加路径到系统环境变量.其他可以默认. 如果忘记了勾选添加路径到环境变量,那需要手动添加环境路径.
    方法是打开windows环境变量,在系统变量的Path中添加python的路径. 比如我这里是
    C:\Users\Administrator\AppData\Local\Programs\Python\Python311
    C:\Users\Administrator\AppData\Local\Programs\Python\Python311\Scripts
    你自己安装时,会稍有不同,根据你的系统用户名和python的版本会不同.
    另外最好自己再手动加一个环境变量,避免执行py脚本时,产生cache文件夹
    PYTHONDONTWRITEBYTECODE=1

2. 安装cuda (如果需求环境的条件2不满足,那这个步骤可以略过)
    下载地址 https://developer.nvidia.com/cuda-downloads
    Operating System 选windows.  Architecture选 x86_64.  Version win10和win11对应的10和11版本. Installer Type选exe(local)
    安装要选择自定义安装,并且只勾选cuda. 其他一律不选(重要!!!)
    
3. 安装PyTorch.  
    下载地址 https://pytorch.org/get-started/locally  
    PyTorch Build选Stable版本.  Your OS选windows. Package 选Pip. Language选Python. 
    Compute Platform选最新的cuda.比如我这里是cuda11.8(如果需求环境的条件2不满足,那么这里选CPU)
    之后下面的Run this Command会生成一个命令. 复制这个命令,打开命令行粘贴进行运行即可. 
    比如我这里是pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

4. 安装yolo  注意yolo路径里,不要有任何非英文字符.
    直接用我下载好的yolo.rar即可. 放在任意目录. 建议放根目录. 我这里是放在了e盘.
    解压yolo.rar到E盘根目录. 解压后的目录形式是这样的 e:/yolo/yolov5_7.0
    命令行进入到yolov5_7.0这个目录下,然后执行以下命令
    pip install -r requirements.txt

5. 安装git
    下载地址 https://git-scm.com/download/win
     选择Standalone Installer下的64位安装包

6. 测试识别
    命令行进入yolov5_7.0目录,然后执行以下命令
    python detect.py --weights yolov5s.pt --source data/images/bus.jpg
    最后会在runs/detect目录下生成识别后的图像.

7. 测试训练 使用coco128来测试
    命令行进入yolov5_7.0目录,然后执行以下命令
    python train.py --weights yolov5s.pt --epochs 300 --batch-size 16 --workers 8 --data ../datasets/coco128/coco128.yaml
    成功后,会在runs/train目录下生成训练后的模型和标记的图片等.

8. 测试模型格式转换 使用yolov5s.pt来测试
    命令行进入yolov5_7.0目录,然后执行以下命令
    python export.py --weights yolov5s.pt --simplify --include onnx
    成功后,会在yolov5_7.0目录下生成yolov5s.onnx文件.
    
至此,说明你的环境已经配置完成. 其他的请观看我的视频教程. 后续会一步一步教你如何搭配插件来使用.

 注意:python的版本使用的是python-3.11.8-amd64.exe不建议更高的版本存在问题。目前测试过了cpu训练的版本。gpu的方式还未验证。

2.训练模型工具使用

训练模型除了用上面的命令可以使用还可以使用 大漠Yolo综合工具.exe使用说明见下

在标注训练窗口下的一些快捷键说明
鼠标放在图像编辑区域时,上下滚轮可以缩放当前标记图片
空格切换下一个标记图片
Alt+W或者W切换标记模式和普通模式. 每次标记一个框后,会自动切换到普通模式,可以在此时进行微调
Alt+E或者E编辑当前选择的框对应的类
Alt+Q删除当前标记图片
Alt+D清空当前标记
Alt+F自动标记(需要在验证里打开使用的模型来自动检测)
在普通模式下,对图像的空白区域按住左键可以拖动图像
对标记区域点击鼠标右键可以进行编辑
在标记模式下,鼠标左键按住可以标记区域
←↑→↓移动选框,Shift+←↑→↓微调选框大小
Shift+C拷贝当前图像的标记信息,Shift+V粘贴标记信息到当前的图像
Ctrl+V拷贝并粘贴当前选择的框
Delete删除当前选择的框

 2.1打开软件2.2标注训练界面:右下角开始训练以及准换模型2.3验证训练效果

 落实到代码:在大漠插件里面有了ai接口说明。这里还未验证。

### 大漠YOLO综合工具训练失败解决方案 在处理大漠YOLO综合工具训练失败的问题时,可以从多个角度分析并解决问题。通常情况下,训练失败的原因可能涉及配置文件设置不当、数据集准备不足或是模型本身存在问题。 #### 配置文件校验 确保使用的配置文件与所选版本的YOLO框架兼容。对于不同版本的YOLO(如YOLOv5, YOLOv7等),其默认参数可能会有所不同。如果使用的是自定义配置,则需仔细核对各项参数设定是否合理[^1]。 #### 数据预处理检查 数据标注的质量直接影响到模型的学习效果。应确认图像尺寸一致性和标签格式正确无误;另外还需注意是否存在异常样本影响整体性能表现。针对特定场景下的特殊需求调整增强策略也是提高泛化能力的有效手段之一[^2]。 #### 常见技术性障碍及其对策 - **内存溢出** 当批量大小过大或输入分辨率过高时容易引发此现象。适当减小batch size或将图片缩放至较低分辨率有助于缓解该状况。 - **梯度爆炸/消失** 这通常是由于学习率设置不合理造成的。建议采用较小初始值逐步调优的方式寻找最佳点位。此外,在网络结构设计上引入Batch Normalization层也有助于稳定收敛过程。 - **Loss变为NaN** 此类情况多源于数值计算不稳定引起。除了上述提到的学习率因素外,还可能是某些极端条件下激活函数输出趋向无穷所致。此时可尝试更换更稳健类型的激活单元比如Leaky ReLU替代ReLU来改善稳定性。 - **精度停滞不前** 若发现准确率长期徘徊在一个固定水平无法突破,不妨考虑增加正则项强度抑制过拟合倾向;或者通过迁移学习方式加载预训练权重加快收敛速度。 ```python import torch.nn as nn class CustomModel(nn.Module): def __init__(self): super(CustomModel, self).__init__() # 使用 LeakyReLU 替代 ReLU 来防止梯度消失问题 self.relu = nn.LeakyReLU(0.1) def forward(self, x): out = self.relu(x) return out ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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