YOLOX实战:从零开始训练COCO格式自定义数据集

YOLOX训练代码分析1-COCO与VOC训练 1. YOLOX的网络结构图与代码YOLOv3、YOLOv4、YOLOv5、YOLOx的网络结构图(清晰版)_YMilton的专栏-优快云博客​​​​​( (1) 网络结构图 ​ (2) yolox代码URL: https://github.com/Megvii-BaseDetection/YOLOX.git 2. yolox如何训练coco数据 (1) 第一步:yolox ... 阅读详情

1. 准备工作:理解YOLOX与COCO数据集

第一次接触YOLOX时,我被它的"无锚点"设计惊艳到了。相比传统YOLO系列,YOLOX去掉锚框这个"拐杖",直接预测目标中心点和宽高,不仅简化了模型结构,还提升了推理速度。实测下来,在相同计算量下,YOLOX-S比YOLOv5s在COCO数据集上AP提升了1.8个百分点。

COCO格式是目标检测领域的通用数据标准,包含80个常见物体类别。它的标注文件采用JSON格式,结构清晰但初次接触可能会被嵌套层级绕晕。我建议把COCO的标注文件想象成一本相册:

  • images字段记录所有图片信息(如文件名、尺寸)
  • annotations字段保存每个物体的边界框和类别
  • categories定义类别名称与ID的映射关系

2. 数据准备:构建COCO格式数据集

2.1 数据采集与标注

我习惯使用LabelImg进行标注,虽然它默认生成VOC格式的XML文件,但可以通过脚本转换。最近发现更高效的Roboflow平台,支持在线标注和自动格式转换。标注时要注意:

  • 边界框要紧贴物体边缘
  • 遮挡物体也要完整标注
  • 每个物体都要有明确的类别标签

2.2 格式转换实战

假设已有VOC格式数据,这个Python脚本可以转换为COCO格式:

from pycocotools.coco import COCO
import xml.etree.ElementTree as ET
import os

def voc_to_coco(voc_dir, output_json):
    coco = {"images": [], "annotations": [], "categories": []}
    # 添加类别信息
    for i, cls in enumerate(classes):
        coco["categories"].append({"id": i+1, "name": cls})
    
    # 遍历VOC标注文件
    ann_id = 1
    for img_id, xml_file in enumerate(glob.glob(os.path.join(voc_dir, "*.xml"))):
        tree = ET.parse(xml_file)
        # 添加图片信息
        coco["images"].append({
            "id": img_id,
            "file_name": tree.find("filename").text,
            "width": int(tree.find("size/width").text),
            "height": int(tree.find("size/height").text)
        })
        # 添加标注信息
        for obj in tree.findall("object"):
            bbox = obj.find("bndbox")
            coco["annotations"].append({
                "id": ann_id,
                "image_id": img_id,
                "category_id": classes.index(obj.find("name").text)+1,
                "bbox": [float(bbox.find("xmin").text), ...],
                "area": (float(bbox.find("xmax").text)-float(bbox.find("xmin").text)) * ...,
                "iscrowd": 0
            })
            ann_id += 1
    
    with open(output_json, 'w') as f:
        json.dump(coco, f)

2.3 数据集目录结构

最终数据集应组织为:

Animals_Coco/
├── annotations/
│   ├── instances_train2017.json
│   └── instances_val2017.json
├── train2017/
│   └── *.jpg
└── val2017/
    └── *.jpg

3. 环境配置:搭建YOLOX训练环境

3.1 基础环境安装

推荐使用conda创建隔离环境,避免包冲突:

conda create -n yolox python=3.7 -y
conda activate yolox
git clone https://github.com/Megvii-BaseDetection/YOLOX.git
cd YOLOX
pip install -r requirements.txt
python setup.py develop

3.2 解决常见安装问题

安装apex时可能遇到的坑:

# 如果直接安装失败,尝试源码编译
git clone https://github.com/NVIDIA/apex
cd apex
pip install -v --disable-pip-version-check --no-cache-dir \
    --global-option="--cpp_ext" --global-option="--cuda_ext" ./

pycocotools安装的替代方案:

# 网络问题导致安装失败时
pip install cython
git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
python setup.py install

4. 模型训练:自定义数据集实战

4.1 关键配置文件修改

需要修改两处核心配置:

  1. 类别定义文件 yolox/data/datasets/coco_classes.py:
COCO_CLASSES = (
    "cat",
    "dog",
    # 添加你的类别
)
  1. 训练配置文件 exps/example/custom/yolox_s.py:
class Exp(MyExp):
    def __init__(self):
        super(Exp, self).__init__()
        self.num_classes = 2  # 修改为你的类别数
        self.data_dir = "path/to/Animals_Coco"
        self.train_ann = "instances_train2017.json"
        self.val_ann = "instances_val2017.json"
        self.input_size = (640, 640)  # 根据显存调整
        self.random_size = (14, 26)   # 多尺度训练范围

4.2 启动训练命令详解

单卡训练基础命令:

python tools/train.py -f exps/example/custom/yolox_s.py -d 0 -b 64 -c yolox_s.pth

关键参数说明:

  • -d: 使用的GPU编号
  • -b: 总batch size(所有GPU累计)
  • --fp16: 启用混合精度训练(显存不足时特别有用)
  • -o: 启用同步BN(多卡训练时推荐)

4.3 训练过程监控

YOLOX默认使用TensorBoard记录日志,查看方式:

tensorboard --logdir=YOLOX_outputs

重点关注以下指标变化:

  • train/loss: 总损失下降趋势
  • train/iou_loss: 定位损失
  • train/cls_loss: 分类损失
  • AP/AP50: 验证集精度

5. 模型测试与部署

5.1 测试训练好的模型

单张图片测试命令:

python tools/demo.py image -n yolox-s \
    -c YOLOX_outputs/yolox_s/best_ckpt.pth \
    --path assets/dog.jpg \
    --conf 0.3 --nms 0.5 --tsize 640 \
    --save_result

批量测试并计算mAP:

python tools/eval.py -f exps/example/custom/yolox_s.py \
    -c YOLOX_outputs/yolox_s/best_ckpt.pth \
    -b 8 -d 0 --conf 0.01

5.2 模型导出与优化

导出ONNX格式(便于TensorRT加速):

python tools/export_onnx.py --output-name yolox_s.onnx \
    -f exps/example/custom/yolox_s.py \
    -c YOLOX_outputs/yolox_s/best_ckpt.pth

5.3 实际部署技巧

在树莓派等边缘设备部署时,建议:

  1. 使用--fp16导出减小模型体积
  2. 启用TensorRT加速(可提升3-5倍速度)
  3. 调整输入分辨率平衡精度和速度

我在 Jetson Nano 上实测结果:

模型分辨率FPSmAP@0.5
YOLOX-S640x640180.42
YOLOX-Tiny416x416320.38

6. 常见问题解决方案

Q1: 训练时出现显存不足错误

  • 减小batch size(-b参数)
  • 降低输入分辨率(修改exp文件中的input_size)
  • 启用混合精度训练(添加--fp16参数)

Q2: 验证集mAP始终为0

  • 检查标注文件路径是否正确
  • 确认类别ID是否从1开始(0保留给背景)
  • 调整评估时的置信度阈值(eval.py添加--conf 0.01)

Q3: 预测框位置偏移严重

  • 检查数据标注是否规范
  • 尝试调整学习率(修改exp文件中的lr)
  • 增加训练epoch数量

7. 进阶优化策略

数据增强调优 在yolox/data/data_augment.py中可以调整:

  • Mosaic概率(默认1.0)
  • MixUp概率(默认0.0)
  • HSV增强强度

模型结构改进 尝试不同的深度和宽度系数:

self.depth = 0.33  # 控制模块堆叠深度 
self.width = 0.50  # 控制通道数

迁移学习技巧

  • 使用COCO预训练权重初始化
  • 冻结backbone层加速收敛
  • 分阶段解冻训练
YOLOX训练自己的数据集(包含自己数据集,预训练模型,代码公开),踩扁很多细节坑全部补充 首先 看下作者给的性能对比图 YOLOX 是旷视开源的高性能检测器。旷视的研究者将解耦头、数据增强、无锚点以及标签分类等目 标检测领域的优秀进展与 YOLO 进行了巧妙的集成组合,提出了 YOLOX,不仅实现了超越 YOLOv3、 YOLOv4 和 YOLOv5 的 AP,而且取得了极具竞争力的推理速度。 YOLOX: Exceeding YOLO Series in 2021 作者单位:旷视科技 代 码:https://github.com/Megvii-BaseDetection/YOLO 阅读详情

相关推荐

Yolox 训练自己的数据集

Win10环境下Yolox训练自己的数据集目录一、文章链接和源码二、数据准备(VOC格式)三、配置文件修改四、训练五、使用自己的模型完成检测任务1、文章链接和源码合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 目录 一、文章链接和源码 二、

m0_56171249的博客 6990

YOLOX训练-COCO格式

将MOT17数据集转为COCO格式。YOLOX接着上一次训练。使用tensorboard可视化。OSError: [WinError 1455]页面文件太小,无法完成操作

嗯呢嗯呢的博客 3215

YOLOX训练(实现)(COCO:coco数据集)最新最全教程

YOLOX实现 1、YOLOX代码环境搭建: 1.1 下载YoloX代码并安装YOLOX YOLOX的github链接 复制红框的链接 在linux系统中clone复制的链接:git clone https://github.com/Megvii-BaseDetection/YOLOX.git (1)新建一个Canda环境 输入命令:conda create -n Yolox python=3.7 (2)进入Conda环境 输入命令:conda activate Yolox,进入Conda环境中,并到下载

java_pythons的博客 5562

在 COCO数据集上训练 YOLOX (代码详解)

讲解了YOLOX项目的代码细节,数据集为COCO

weixin_45836196的博客 3331

YOLOX:使用自己数据集训练模型及改进--1.YOLOX环境搭建及运行

YOLOX:使用自己数据集训练模型及改进

大家一起进步叭 1638

YOLOX-COCO训练教程+权重使用

YOLOX-COCO训练教程+权重使用 0. 配置好你的YOLOX环境 如果不知道如何在windows下配置,请查看我的上一篇文章。 1. 准备好你的数据 根据YOLOX官方引导,已经提供了miniCOCO下载链接,存储在GoogleDrive上的。下载成功后解压,得到树状目录如下: ─coco128 ├─annotations ├─train2017 └─val2017 将此文件夹直接复制粘贴进你的yolox目录下的datasets。读取annotations下instances

Harry_Jack的博客 4675

使⽤COCO数据集训练YOLOX

注意: 训练的时候,如果GPU不够,可以修改batchsize大小。

永远飞翔的鸟 1299

目标检测数据集(一次性筷子计数)

收集好的一次性筷子,已标注,可用于跑目标检测模型。相关介绍参考我的博客:https://blog.youkuaiyun.com/qq_39056987/article/details/116270881?spm=1001.2014.3001.5501

YOLOX导入COCO数据集训练

YOLOX导入COCO数据集训练【Windows】1.环境搭建2.配置文件数据集训练结尾 1.环境搭建 这一步已经有大佬搭好台子了,具体可以参照下面的链接进行配置 https://www.bilibili.com/video/av547066582/ 2.配置文件 数据集 1.将准备好的COCO数据集放入主目录下的dataset文件夹中 ![目录格式](https://img-blog.csdnimg.cn/36664fb057da4c81800fae54b2ad19fe.png?x-oss-process

是橘子吃汽水的博客啊~ 1651

Spring Boot 3.5.4 + LangChain4j实战:用Milvus搭建企业级RAG问答系统(附阿里百炼API配置)

本文详细介绍了如何利用Spring Boot 3.5.4、LangChain4j与Milvus构建企业级RAG问答系统。内容涵盖从架构设计、阿里百炼API安全配置、Milvus部署优化,到RAG检索、会话管理等核心实现,并提供了生产级API设计、监控集成及性能优化等实战经验,旨在帮助开发者打造高可用、可维护的Java AI应用。

weixin_29054399的博客 610

从零开始:Ubuntu 24.04 LTS + Win11双系统安装教程

本文将简单直白介绍如何从零开始在同一台电脑上安装 Ubuntu 24.04 LTS 和 Windows 11,你可以在需要进行专业开发或运维工作时,轻松切换到 Ubuntu,享受其带来的高效与自由;而在日常学习生活和娱乐休闲时,依然可以无缝使用熟悉的 Windows 环境。

萑澈的博客 8123

保姆级:使用MMDetection训练YOLOX——VisDrone2019数据集coco格式

如何使用MMDetection训练YOLOX实现无人机目标检测

kuyugoing的博客 6452

【AI学习笔记】Coze平台实现将Excel文档批量导入数据库全过程

通过Coze平台实现将Excel文档批量导入数据库的全流程,包括B站现有参考教程全方位解读、自己实操的一些BUG解决过程,以及一些疑难问题的探索。

bailichen800的博客 8829

【YOLO】YOLOX训练COCO数据集

有小伙伴是训练coco数据集时,AP为0,实际上,我并没有遇到这个问题,我这里测试了下,是可以正常运行的,但有小伙伴问了,我这里就总结一下如何训练Coco数据集吧... 步骤如下 首先呢,保证Coco数据集格式正确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val

MangoloD的博客 9845

pytorch中dataloader的num_workers参数

结论速递 在Windows系统中,num_workers参数建议设为0,在Linux系统则不需担心。 1 问题描述 在之前的任务超大图上的节点表征学习中,使用PyG库用于数据加载的DataLoader,ClusterLoader等类时,会涉及到参数num_workers。在不同系统环境试验该参数的设定值时,会出现不同的结果 colab(Linux),设为12 有warning message,提示num_workers参数设置不合理,不影响继续运行 /usr/local/lib/python3.7/di

qq_40990057的博客 1万+

C++动态规划详解

动态规划思想 一、动态规划概念: 动态规划(dp)是研究多步决策过程最优化问题的一种数学方法。在动态规划中,为了寻找一个问题的最优解(即最优决策过程),将整个问题划分成若干个相应的阶段,并在每个阶段都根据先前所作出的决策作出当前阶段最优决策,进而得出整个问题的最优解。即记住已知问题的答案,在已知的答案的基础上解决未知的问题。 在这类问题中,可能会有许多可行解。每一个解都对应于一个值,我们希望找到具有最优值的解。动态规划算法与分治法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后

weixin_51951103的博客 2万+

yolox 训练自己的数据集 (COCO格式)

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

zxxRobot的博客 1万+

C#与欧姆龙PLC 通信——Fins Tcp协议

该调试助手专门为了帮助大家学习以及测试Fins-Tcp通信,下面进行详细介绍。

qq_34059233的博客 2087

手把手教你利用YOLOX训练自定义数据集(COCO Dataset)

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

Mickey的博客 4316

stable diffusioncontrolNet 预处理器/模型的下载及安装使用教程

首先说明,controlNet 的模型 不同于stable diffusion 模型,这一点一定要区分清楚。下面提供多个ControlNet 预处理器+ 专用模型的百度网盘下载链接,都是由群友整理贡献,但各自包含的版本不同,大家可自行选择。推荐下载紫色链接内的模型,fp16版文件更小,稍微新一些的controlnet插件还添加了对control-lora的支持(注意,要求controlnet插件的版本比12月16号新(1.1.423以上)才能正常识别),推荐下载;

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 3391

某易将军令口令纯算法还原py篇

算法开源,将军令口令算法。希望官方多多更新吧

任雪飘的博客 3916

yolox+ByteTrack 自定义数据集训练

开的第一帖,就记录一下yolox+ByteTrack 自定义数据集训练吧!因为网上可找到的攻略太少!

Ddddd4431的博客 8676

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

YoloX训练自己的数据集,包含COCO格式和VOC格式

YoloX训练自己的数据集,包含COCO格式和VOC格式

weixin_37707770的博客 1997

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

深入浅出Yolox之自有数据集训练超详细教程

随着旷视科技发布Yolox的论文和代码后,Yolox得到了广泛的关注。 但由于训练代码和之前的Yolov3、Yolov4、Yolov5的代码都不相同。 且代码中的训练案例,以COCO和VOC格式为基准,但平时大家标注的文件,并不是完全相同的格式。 而且训练自有数据的讲解流程,很多人不太熟悉。 因此大白以自有标注的人头数据集为案例,一步步和大家一起学习,整体的训练和测试全流程。 PS:大白将代码文件、网络权重、数据集划分代码和人头数据集,都整理汇总,可点击查看下载。 文章目录1 深入浅出Yolo核心基础完整讲

江南研习社 7955

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

上一篇: 从零开始学模拟电子:集成运放电路设计与常见问题排查指南
下一篇: Adobe Audition切片+百度语音API:零成本实现长视频字幕自动化
Python
博客等级 码龄26年 1973粉丝 1567原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
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