mmyolo常用命令

原创 已于 2024-04-05 22:36:24 修改 · 339 阅读 · 6 ·
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：

#人工智能 #深度学习

于 2024-04-05 22:35:56 首次发布
本文介绍了使用Python工具包进行Yolov5模型的训练过程，具体涉及yolov5_s-v61_fast_1xb12-40e_cat.py配置文件，以及如何从训练阶段的epoch_40.pth权重文件进行模型测试，并展示结果。
Python3.10

Python3.10

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

模型训练：

python tools/train.py configs/yolov5/yolov5_s-v61_fast_1xb12-40e_cat.py

模型测试：

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

您可能感兴趣的与本文相关的镜像

Python3.10

Python3.10

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

常见深度学习库mmlab系列安装（mmdetection/mmdetection3d/mmyolo/mmsegmentation/mmocr/mmselfup/mmdeploy/mmrazor）
熊猫小妖的AI世界
05-19 1462
open-mmlab系列已经更新之3.x系列，底层也从mmcv-> mmengine，发生了较大的变化。类似python2->python3。所以很多环境需要重新安装和更新。方法也不一样了，特此安装和整理一下。
yolo系列多卡训练命令
qq_46396470的博客
01-30 987
【代码】yolo系列多卡训练命令。
【目标检测】60、MMYOLO | 如何使用 MMYOLO 训练模型
呆呆的猫的博客
02-02 1万+
本文主要介绍如何使用 MMYOLO 进行模型训练
yolov5单机多卡训练报错
qq_40396104的博客
07-28 1083
Traceback (most recent call last): File “train.py”, line 638, in main(opt) File “train.py”, line 532, in main train(opt.hyp, opt, device, callbacks) File “train.py”, line 113, in train data_dict = data_dict or check_dataset(data) # check if None File “/ho
mmyolo训练yolov5~ppyoloe
qq_41980080的博客
02-28 1489
相关文档：​​​​​​​ https://github.com/open-mmlab/mmdeploy/blob/dev-1.x/docs/zh_cn/get_started.md。使用mmyolo检测工具箱，完成yolo系列算法的训练，包括环境的搭建及yolo系列算法的配置文件等。yolo5~yolo8训练的config大致相同，yolox略有不同。二、训练yolo系列算法（以yolo6和yolox为例）2.安装pytorch、torchvision。2.写yolov6、yolox的配置文件。
YOLO系列多卡训练
weixin_45711563的博客
12-03 1138
2. train.py里的model.train需要修改device=[0,1], 其中0,1指卡0和卡1，可以根据实际需求修改卡号。model.train里的device改成device=[0,1],比如你有两张卡，你想双卡同时训练模型，1. 指令里的2指双卡，多卡以此类推。你需要把YOLO训练。
在linux系统中查找mmyolo文件夹的命令。
10-10
使用 `find` 命令（最常用） ```bash # 基本查找（当前目录及子目录） find . -type d -name "mmyolo" # 全局查找（整个文件系统） sudo find / -type d -name "mmyolo" 2>/dev/null # 结合大小写不敏感查找 ...
mmdetection 常用命令
weixin_NineDays66
02-09 1854
mmdetection 使用
【超级视客营】基于超算平台的MMYOLO实践过程记录（环境配置）
ShiTianlei的博客
12-22 1669
基于超算平台的MMYOLO实践过程记录
云服务器利用mmyolo训练yolov8
05-19
执行命令启动分布式或多GPU加速模式下的正式学习阶段操作步骤如下所列[^1]: ```bash python tools/train.py configs/yolov8/small_yolov8_coco.py --gpu-id=0,1,2,3 ``` 其中指定设备编号列表用于分配计算任务给...
关于YOLOv5的训练，GPU单卡、多卡设置，加速训练
热门推荐
qq_44442727的博客
12-22 1万+
yolov5毫无疑问是目前目标检测框架中非常准确快速的检测框架之一，在工业界和学术界应用广泛，其优势不言而喻。在模型训练或推理时，我们都想快速完成，特别是数据量很大的时候，效率就是非常迫切需要提升的。这里简单介绍一下yolov5的多种训练方法，便于理解深度学习的模型训练方法，同时基于自身的硬件条件选择高效的训练方法。如果条件允许，首推的是多卡DDP训练模式。
OpenMMLab MMYOLO目标检测环境搭建（一）
qq_41627642的博客
09-11 3775
对于目标检测中的非开放世界数据集，训练和测试都是在一组固定的类上进行的，当应用于未经训练的类的图像时，有可能产生误报。论文指出，Mosaic+MixUp 可以大幅提升目标检测性能，但训练图片与自然图片的真实分布相去甚远，而且 Mosaic 大量的裁剪操作会带来很多不准确的标签框，因此，YOLOX 提出将去掉最后15个epoch的强增强，改用较弱的增强，这样检测器就可以避免不准确标记框的影响，在自然图片的数据分布下完成最终的收敛。首先，海报上的人与真人非常相似，而且人群密集的地方确实存在难以标注的人。
【深度学习】【YoloV5】单机多卡训练 多机多卡训练
weixin_43960370的博客
04-04 2028
官网给的： https://github.com/ultralytics/yolov5/issues/475指定单显卡：1 使用pytorch 的DataParallel mode 指定多显卡（不推荐），为啥不推荐，因为反传的时候梯度默认都在0卡上算了，所以显存分配不均衡，在显卡0占用非常多，别的显卡的显存又占用没那么多。训练时间也没增加多少。1 单机多卡(推荐) 使用pytorch的 DistributedDataParallel Mode 进行单机多卡训练。(推荐)1 –nproc_per_no
mmyolo检测小猫--快速上手版
weixin_48849679的博客
05-10 764
本文详细介绍了在AutoDL平台上使用MMYOLO库进行小猫目标检测模型的训练过程
目标检测 YOLOv5 - 多机多卡训练
二分掌柜的
08-18 9959
目标检测 YOLOv5 - 多机多卡训练 flyfish 环境： Python>=3.6.0 PyTorch>=1.7 YOLOv5:v5 分两种类型机器一个master，其他都是slave master机器运行的命令 python -m torch.distributed.launch --nproc_per_node G --nnodes N --node_rank 0 --master_addr "192.168.1.2" --master_port 1234 train.py --b
AI赋能金融科技，VisualProject引领项目管理新潮流
weixin_46916369的博客
01-06 555
金融科技项目管理迈入AI赋能新阶段，VisualProject引领智能化转型。随着金融科技竞争转向"体系化能力"，传统管理模式面临需求断层、资源失衡等痛点。维普时代推出的VisualProject通过AI深度融入项目全流程，实现智能需求解析、资源协同和风险预警，使招商银行等项目效率提升40%、延期率降至8%。该产品构建"数据驱动决策"体系，提供30余项核心指标分析，助力金融机构实现精准管理。未来，AI与项目管理的深度融合将持续推动金融科技高质量发展。
[20页中英文PDF]生物制药企业新一代知识管理：用知识图谱+大模型构建“第二大脑“
01-07 490
药物研发正面临知识爆炸的挑战。本文深入探讨如何利用大语言模型和知识图谱技术构建企业级"第二大脑"，将分散的科研数据、文献和隐性知识整合为可搜索的知识库，实现60%的文档审查效率提升，并可能为制药行业创造600-1100亿美元的年度价值。
基于LangChain与RAG技术构建智能客服问答系统：完整实现指南
最新发布
weixin_46244623的博客
01-08 773
本文介绍了基于LangChain框架和RAG技术的智能客服系统构建方法。该系统整合了Ollama本地语言模型服务和FAISS向量数据库，能够高效检索项目文档并生成准确回答。文章详细阐述了系统架构、核心组件及实现代码，包括知识库构建、文档检索和回答生成流程。该系统可显著提升客服效率，支持网络搜索、数学计算、节假日查询等多种功能，并提供了良好的可扩展性。通过本地部署Qwen2.5模型，实现了安全可靠的智能客服解决方案。
评论 1
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