iot-lorawan

安装onnx，转的时候提示出错ONNX: export failure 0.1s: Unsupported ONNX opset version: 17。yolov5本身release目录有提供了onnx转换好的模型，想着也自己操作一遍，可是实际操作却遇到了问题，这里做下记录方便后续可能用到。修改export.py里的默认设定如下，原先默认是17，改为12后可以正常转，会在目录生成转换的onnx模型。验证转换后的onnx模型时会提示出错，按提示安装pip install onnxruntime。

yolo训练自己的模型权重

前期准备好了用于训练识别是否有火灾的数据集后就可以开始修改yolv相关文件来进行训练。确认了时label没做归一化处理，新增归一化处理的转换脚本代码，在data目录下新建yaml文件设置数据集信息如下。确认后是对训练数据集文件夹里的文件名字有要求，原先。仍然出错如下，看log应该时转换lable时的问题。在model文件夹下新增新的model文件。调整默认batchsize到8后重新训练。可以训练了，但是又因电脑性能问题出错如下。数据集放到yolov5目录里。

数据集需要按yolov5的格式进行收集，收集图片后需要用标注工具进行标注，常用的有LabelImg软件或者一些更先进的有部分带ai识别的标注工具。网上找了现成的用于识别火的数据集，不过开源数据集的标注文件默认不是yolo支持的txt文件，因此需要将xml转换到txt文件。要拿yolo来用到自己希望使用的场合就需要自己来训练模型，要训练模型需要足够的训练数据集，数据越多训练后的模型越准确。脚本转换后转换为需要的格式文件就可以开始准备进行训练，不过训练先需要按要训练的数据进行修改。

conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cpuonly -c pytorch ---------这里使用cpu。cudatoolkit=11.6 -c pytorch-------有英伟达显卡的话可以用这个。进入到yolov5目录并安装依赖pip install -r requirements.txt。4、下载yolov5和模型文件，并将模型文件放入yolov5下载的目录里。cpu训练很慢，pc会很卡。

rv1126入门

基于EFR32MG24的AI 加速度姿势识别体验