coco数据集训练nanodet详细流程

最新推荐文章于 2025-10-07 21:31:02 发布
原创 最新推荐文章于 2025-10-07 21:31:02 发布 · 1.3k 阅读 · 8 ·
CC 4.0 BY-SA版权
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。
文章标签：

#目标检测 #深度学习 #算法

该文介绍了如何配置conda环境，安装CUDA和PyTorch，以及为NanoDet模型下载和准备COCO数据集。在完成环境配置后，文章详细阐述了如何训练NanoDet模型，包括修改配置文件，设置训练参数，以及在PyCharm中运行训练。最后，文章提到了如何测试训练好的模型并展示了50个epoch的训练结果。

github地址

首先要配置环境

conda create -n nanodet python=3.8 -y
conda activate nanodet

确认一下cuda版本

nvcc -V

确认是11.3之后，要安装11.3对应的pytorch版本。
本机装pytorch1.12.1后面运行的时候会报错（torch没有经过cuda编译），于是降级到1.11

conda install pytorch==1.11.0 torchvision==0.12.0
最低0.47元/天 解锁文章
使用 COCO 数据集训练 YOLOv4-CSP 模型
drin201312的博客
06-01 3705
前言 如果完全按照 YOLO 的论文，并不能直接训练出一个好用的物体探测 object detection 模型。这是因为我们并不知道原作者使用的超参数是什么。所以需要自行编写损失函数，尝试各种超参，对模型进行训练。 下面是我用 COCO 2017 数据集中的少量图片，对 YOLOv4-CSP 模型进行训练的结果。 使用框架为 Keras/TensorFlow 2.9。
COCO格式数据集制作并使用yolact网络训练
weixin_41851439的博客
10-21 7501
前言：本文制作的数据集只有5张，仅供演示使用。 环境搭建请参考前文： ubuntu18.04环境下的darknet+yolov3搭建及程序演示 本实验平台软硬件环境参数： gpu：GTX 1060 cpu：intel i7-7700HQ 内存：16GB Ubuntu版本：18.04 NVIDIA驱动版本：390.116 python:3...
Dataset之COCO数据集：COCO数据集
Made In SQL
10-07 917
COCO（Common Objects in Context）是微软于2014年首次发布的一个用于计算机视觉研究的大规模数据集。该数据集由微软研究院、加州理工学院和康奈尔大学等机构共同开发维护。其最新版本（2023年更新）包含超过33万张高质量图像（其中20万张带有精细标注），标注了80个常见物体类别（如人、车、动物、家具等），总计150万个物体实例。
【计算机视觉】YOLO 入门：训练 COCO128 数据集
热门推荐
wzk4869的博客
08-29 2万+
【计算机视觉】YOLO 入门：训练 COCO128 数据集
在 COCO数据集上训练 YOLOX （代码详解）
weixin_45836196的博客
06-05 3205
讲解了YOLOX项目的代码细节，数据集为COCO
MMDetection训练COCO数据集新手快速上手
m0_63947712的博客
05-04 2129
其中的.log文件具体记录了训练过程，也就是训练时屏幕显示的内容，不过似乎没有完全记录屏幕显示的内容，好像只记录了average precision，没有记录average recall，（也有可能是我没找到，还请了解的朋友指点！）所以如果对于结果要求比较全的，还是自己复制屏幕或者截图。我们在2.1中选择的模型总配置文件中，写明了需要用到的四个具体的配置文件，而在初次训练开始后，程序就会将这四个文件整合在一块，形成全面的配置文件，之后训练中断再继续训练或者训练结束增加epoch再训练时就是直接用这个文件。
nanodet训练自己的数据集移动端部署
06-17
### NanoDet 训练自定义数据集及移动端部署指南 NanoDet 是一种轻量级的 Anchor-free 目标检测模型，专为移动设备设计，具备高效率和低资源消耗的特点。以下是使用 NanoDet 框架训练自定义数据集并进行移动端部署的...
基于PyTorch框架实现的轻量级目标检测模型NanoDet-支持图片视频摄像头实时检测-适用于移动端和嵌入式设备部署的超轻量级AI模型-包含模型训练推理和部署全流程-支持COCO.zip
最新发布
10-16
COCO数据集包含了丰富多样的图像，并有详细的标注信息，这为模型的训练提供了良好的基础。模型能够处理COCO数据集，说明它具有通用性和普适性，能够适应多种不同的目标检测需求。 附赠资源文件中可能包含了与模型...
coco2017数据集--训练集的xml标注文件
09-11
此文件是使用coco2017的训练集的原json标注格式转化为xml文件标注格式的所有图片的标注，共118287个xml文件
caffe_train安装以及COCO数据集的训练
03-02
caffe_train安装以及COCO数据集的训练
yolox 训练自己的数据集 （COCO格式）
zxxRobot的博客
10-22 1万+
准备工作 1. 准备自己的数据集 Animals_Coco ├─annotations ├─train2017 └─val2017 在annotations 文件夹下包含两个重要的文件instances_train2017.json，instances_val2017.json 在train2017和val2017 包含的是训练和验证的图片数据。 2. YOLOX环境搭建 下载 YOLOX，克隆不下来的话，也可以自己下载zip文件然后解压 。 cd ~/code git clone https://gith
labelme标注数据集到COCO格式数据集转化，用于官方版Mask-Rcnn训练
04-14
labelme标注数据集到COCO格式数据集转化，用于官方版Mask-Rcnn训练
coco数据集中前128张图片集合训练集.rar
10-14
coco数据集中前128张图片集合训练集.rar
coco2017数据集--训练集的txt标注文件，适用于yolov5训练
09-11
此文件是使用coco2017的训练集的原json标注格式转化为xml文件标注格式再转化为txt标注格式的所有图片的标注，共118287个txt文件
利用coco数据集训练yolov5
@bangbang的博客
03-23 956
找到data文件夹下的coco.yaml,将nc、names改成你自己的分类数和类别标签（默认就是coco数据集的80，我用的自己的数据集），然后再把path,train,val,test改成自己的文件路径和txt路径。和yolo系列一样，在runs文件夹下有train文件夹来保存训练数据，测试时使用保存的最好的权重文件，使用detect.py文件测试即可，测试完毕在runs文件夹中会有detect的文件，保存测试结果。
yolov8官方代码训练模型（coco数据集和voc数据集训练）+onnx模型预测
m0_63493883的博客
12-04 1万+
根据官方的解释，pip 的 ultralytics 库包含了 requirements.txt中的所有库。windows11 和 Ubuntu20.04（建议使用 Linux 系统）首先切换到自己建立的虚拟环境安装 pytorch。参照官网，直接使用以下语句即可导入项目所需要的库。train 和 val 的路径就这样写。2.3 yaml文件。
给我写coco数据集的图像分类训练
weixin_35755640的博客
01-02 743
好的，我将用中文来给您写关于COCO数据集的图像分类训练。 首先，COCO数据集(Common Objects in Context)是一个用于图像识别和分类的大型数据集，其中包含超过200,000张带注释的图像，涵盖了80个不同的类别。 训练图像分类模型的步骤如下： 准备数据：首先，需要下载COCO数据集并提取图像和注释。接下来，需要将数据按照训练集、验证集和测试集划分。 选择模型：接下来，...
【mmdetection】用自己的coco数据集训练mask r-cnn并进行验证、测试，推理可视化，更改backbone，只针对某一标签进行训练
Zlan_lvlv的博客
03-16 4780
本人呕心沥血从无到有摸索的整理
手把手教你利用YOLOX训练自定义数据集（COCO Dataset）
Mickey的博客
05-29 4093
YOLOX 支持使用自定义数据集进行训练。为了在 YOLOX 上运行我们自己的数据集，我们需要遵循以下基本步骤
评论 6
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

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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