MT-yolov6训练及测试

已于 2022-07-06 21:20:00 修改
阅读量713 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 三维视觉 深度学习 文章标签： python 深度学习 开发语言
于 2022-06-28 20:51:38 首次发布
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。
本文链接：https://blog.youkuaiyun.com/qq_27353621/article/details/125492402
本文指导如何使用Conda管理虚拟环境，从创建、激活到配置CUDA/CUDNN，详细介绍Yolo6的安装、测试和模型训练过程，涉及环境设置、权重下载和模型应用实践。

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

1、查看虚拟环境

conda env list

在这里插入图片描述

2、删除虚拟环境

conda env remove -p 要删除的虚拟环境路径

示例

conda env remove -p C:\Users\Admin\anaconda3\envs\pointbert

在这里插入图片描述

3、新建虚拟环境

conda create -n env python==3.6(版本号)

在这里插入图片描述

4、激活虚拟环境

conda activate yolo6

在这里插入图片描述

5、进入yolo6文件夹

cd C:\Users\Admin\Desktop\YOLOv6-main

6、安装所需环境

pip install -r requirements.txt

在这里插入图片描述
在这里插入图片描述
由于深度学习需要考虑CUDA和CUDNN的版本，各位在安装前需要注意配置所需的CUDA和CUDNN呀，不可一味只是配置python库，系统的深度学习环境同样重要，这个地方只能靠各位百度或者Google了。

7、下载权重
https://github.com/meituan/YOLOv6/releases/tag/0.1.0
在这里插入图片描述
放在工程文件夹下
在这里插入图片描述
8、对yolo6进行测试

python tools/infer.py --weights yolov6s.pt --source img.jpg / imgdir

执行如下指令

python tools/infer.py --weights yolov6s.pt --source data/images

测试结果如下：
在这里插入图片描述
测试结果在runs\inference\exp文件夹下
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
9、系统配置
查看torch版本
在这里插入图片描述
查看cuda版本
nvcc --versio在这里插入图片描述
10、模型训练
10.1创建文件
将tools文件夹中的train.py放主目录下，再创一个coco128.yaml文件
在这里插入图片描述
coco128.yaml文件里只需要添加train和val路径就行
在这里插入图片描述

MTCNN人脸检测：基于YOLOv10与UI界面的深度学习实现
03-31 410
在进行MTCNN人脸检测时，推荐使用具有较高标注质量的公开人脸数据集。常用的用于人脸检测的公开数据集有WIDER FACEIMDB-WIKIFDDBMTCNN数据集等。MTCNN数据集是针对MTCNN模型特别设计的，其涵盖了多种复杂场景下的人脸数据，包括不同的光照条件、不同角度、遮挡以及多样的人物特征等。在本文中，我们将使用MTCNN模型与WIDER FACE数据集进行测试，因其较为全面，且具有较高的挑战性，适合用于大规模人脸检测与评估。
yolov6实战：记录yolov6训练自己的数据集
liyun52的博客
07-30 946
我下载的版本是 YOLOv6-0.4.0。
YOLOv6训练自己的数据集（从代码下载到实例测试）
Limiiiing的博客
08-05 2923
在Windows10上配置CUDA环境教程YOLOv6是美团视觉智能部研发的一款面向工业应用的目标检测框架，该框架在保持高检测精度的同时，兼顾了推理效率，是YOLO系列中的又一改进版本。主要特点Hardware-friendly的骨干网络设计YOLOv6采用了基于RepVGG style的可重参数化、更高效的骨干网络EfficientRep Backbone，以及Rep-PAN Neck，这些设计使得网络在推理时能够更有效地利用硬件资源，提高推理速度。更简洁高效的Decoupled Head。
计算机视觉---YOLOv6
最新发布
MzKyle的博客
06-03 833
YOLOv6是美团团队开发的工业级实时目标检测模型，在精度和速度上优于YOLOv5。其核心改进包括：1）主干网络采用RepVGG重参数化技术，训练时多分支、推理时单路3x3卷积，提升20%速度；2）颈部使用RepPAFPN进行高效特征融合；3）检测头采用无锚框设计，输出维度减少60%；4）损失函数引入VarifocalLoss和DIoU Loss优化分类与回归。此外，YOLOv6支持TensorRT动态推理和INT8量化，在相同算力下精度提升1-2%，FPS提高30-50%，更适合工业部署。
最新版YOLOv6训练自己的数据集（超详细完整版！）
恐龙先生的博客
06-29 2万+
接着上篇文章继续写，本篇文章讲如何训练自己的数据集。从官网下载YOLOv6源码：meituan/YOLOv6: YOLOv6: a single-stage object detection framework dedicated to industrial applications. (github.com)https://github.com/meituan/YOLOv6权重根据自己需求下载，我下的是yolov6s.pt将tools文件夹中的train.py放主目录下，再创一个myself.yaml文件
YOLOv6算法新鲜出炉--训练自己数据集过程
实力派，无需多言！
06-28 5200
YOLOv6算法背景：YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO 上精度可达 43.1% AP，在 T4 上推理速度可达 520 FPS。 评估指标如下; 官方公众哈介绍说 YOLOv6算法精度与速度远超 YOLOv5 和 YOLOX 的新框架，是真是假，还待自己跑跑测评一下，
【精华】YOLOv6训练自己的数据集
LeeZhao的博客
07-12 3745
YOLOv6训练自己的数据集, 以Objects365为例
如何用TensorRT部署YOLOv6
DeepDriving
07-01 1137
本文详细介绍了使用TensorRT部署YOLOv6的过程。
目标检测之YOLOv6实践
石头记
06-25 1588
上一篇文讲了目标检测的基础知识，今天以YoloV6为例（选择v6，因为项目的选型），详细讲解目标检测的工程细节，一些重要的超参数，必须用到的工具，会在工程任务中解释。 1：整体的再介绍一下YoLoV6。 2：如何使用YoLo进行图像的推理，试验一下效果。 3：如何使用YoLo进行重训，全量微调。 4：如何对YoLo进行剪枝，减少空间。 5：如何对YoLo进行量化，适应硬件。
Scaled-YOLOv4: Scaling Cross Stage Partial Network 论文翻译
Q1u1NG的博客
11-18 3756
摘要 实验结果表明，基于CSP方法的YOLOv4目标检测神经网络在保持最优速度和准确率的前提下，具有向上/向下可伸缩性，可用于不同大小的网络。我们提出了一种网络缩放方法，它不仅改变深度、宽度、分辨率，而且还改变网络的结构。YOLOv4-large模型实现了SOTA的结果：在Tesla V100上，以15 FPS的速度对MS COCO数据集实现了55.4% AP (73.3% AP50)，而伴随着TTA，YOLOv4-large实现了55.8% AP (73.2 AP50)。YOLOv4-tiny模型在RTX
Windows10+YOLOv5训练自己的数据集
热门推荐
qq_40927867的博客
04-16 2万+
Windows10+YOLOv5训练自己的数据集一、环境和配置1.1 安装anaconda1.2 在anaconda中安装pytorch虚拟环境1.3 安装CUDA和cudnn1.4 安装pytorch GPU版二 源码测试2.1 下载源码2.2 安装依赖项2.3 测试2.3.1 下载权重文件2.3.2 测试三、训练自己的数据集 一、环境和配置 系统：window10 CUDA：10.1 CUDNN：7.4 python：3.7 opencv-python>=4.1.2 pytorch>=1.7
YOLOV6-训练流程
weixin_40723264的博客
04-07 1534
计算损失函数的前提是需要有目标targets，和预测值Preds,而对于预测值Preds的box、cls等的损失计算是需要。
【YOLOv6详细部署、训练自己的数据集（超多BUG踩坑记录）】
uuhhy的博客
11-01 4204
最近看到美团发表的YOLOv6论文，其速度可达1234FPS，便想尝试部署测试，并训练自己的数据集，谁知官方克隆的源码BUG百出，在部署的过程中页看到其他学者也遇到相同BUG困扰，有一些BUG官方也没给出明确的解决方案。在结合其他学者的经验以及自己的理解后，本人成功完成了模型的全系列部署包括：训练、评价及推理，（后续TensorRT加速持续更新），特将踩坑记录做以总结，但愿能帮助新手避坑。
深度学习实战指南：手把手教你掌握YOLOv6算法模型训练全流程与优化技巧
Coovally_AI的博客
12-18 1120
YOLOv6是由美团视觉智能部研发的一款目标检测框架，专注于工业应用。相较于YOLOv4和YOLOv5，YOLOv6在网络结构方面进行了深入优化，提升了模型的检测精度，并在处理复杂场景时更加稳健。同时，YOLOv6还在保持高效性的基础上，减少了模型的参数量，适合在移动端等计算资源有限的设备上运行。论文：总结而言，YOLOv6是一个专为工业应用设计的单阶段目标检测框架，通过优化标签分配策略、损失函数和引入行业友好的改进，实现了高效和准确的目标检测。
YOLOv6更快一步，制作自己的数据集训练YOLOv6模型保姆级教程
哆啦A梦爱学习的博客
06-30 4998
YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO 上精度可达 43.1% AP......
【YOLO系列复现】二、基于YOLOv6的目标检测：YOLOv6训练自己的数据集(史诗级详细教程)
weixin_45736855的博客
11-28 1870
基于YOLOv6模型的目标检测， 基于YOLOv6模型的牛马检测， YOLOv6模型训练自己的数据集 YOLOv6模型训练自己的数据集的详细教程
（23）目标检测算法之YOLOv6 (1)全流程指南：环境安装、模型配置、训练及推理
yohnyang的博客
07-02 4837
目标检测算法之YOLOv6 (1)全流程指南：环境安装、模型配置、训练及推理
YOLOv6 | 模型结构与训练策略详细解析
Clichong
08-26 4432
消融实验效果对比yolov6的实验对比更加偏向于轻量级模型的对比。对yolov6的提出，我主要从两个方面去做总结，一个是模型上的改进，另外一个是训练策略上的改进。但是可以看见，无论是模型上的改进还是训练策略上的改进并没有提出一些比较新颖的见解。对于网络结构上的改进，主要是利用了重结构化的思想改进了yolov5的框架，同时将head进行参数的完全独立不共享（这样做可能会有效，但是感觉增加了很大的参数量）。而参数重结构化可以使得推理过程的速度加快，改变网络的拓扑结构。...
YOLOv6 训练自己的数据集
YOLOv8项目贡献者
01-13 4594
使用 YOLOv6 训练自己的数据集
from ultralytics import YOLO import cv2 # 1. 加载预训练模型权重 model = YOLO("D:/YOLOV8/ultralytics-main/datasets/runs/detect/train8/weights/best.pt") # 替换为你的权重文件路径[^3] # 2. 读取待检测图像 image_path = "D:/YOLOV8/ultralytics-main/datasets/lytdatasets/divide-MT/valid/images/RRT-13R_Img1_A80_S3_[10][70].png" image = cv2.imread(image_path) # 使用OpenCV读取图像[^1] # 3. 执行推理预测 results = model.predict(image, save=True, conf=0.5) # 设置置信度阈值并自动保存结果[^2] # 4. 保存检测结果文本信息 for i, result in enumerate(results): # 获取检测结果DataFrame df = result.pandas().xyxy[0] # 保存检测结果到CSV文件 df.to_csv(f"detection_result_{i}.csv", index=False) # 打印检测结果摘要 print(f"图像{i + 1}检测到{len(df)}个目标：") print(df[["name", "confidence", "xmin", "ymin", "xmax", "ymax"]])以上代码我只实现了一张图片的检测，我想是实现一张多张图片的测试，请帮我修改补充代码
03-13
<think>嗯，用户的问题是关于如何修改现有的YOLO检测代码，从单张图片扩展到多张图片的测试。我需要仔细分析他们的代码，找出需要调整的部分。 首先，用户当前的代码是加载一个模型，然后读取一张图片路径，用model.predict处理，之后保存结果。现在要处理多张图片，应该考虑如何批量读取图片文件。 可能的解决方案是遍历一个包含所有图片路径的列表。用户需要指定一个包含多张图片的目录，或者提供一个图片路径列表。比如，使用os.listdir来获取文件夹下所有的图片文件，或者让用户输入一个文件夹路径，然后读取其中的所有图片。 接下来，代码中的image_path目前是单个文件，需要改成遍历多个文件。可能需要使用循环来处理每个图片路径。例如，将image_path改为一个列表，然后for循环处理每个路径。 然后，model.predict的参数可能需要调整。当前代码中，source参数是单个图像，但根据引用[4]中的示例，YOLO的predict方法可以直接接受一个文件夹路径作为source，这样会自动处理其中的所有图片。所以用户可能不需要自己用OpenCV读取每张图片，而是直接让YOLO处理整个目录。这样更高效，也避免了自己处理图像读取可能出现的错误。 另外，用户现在用cv2.imread读取图片，然后传给model.predict。但YOLO的predict方法其实可以直接接受文件路径，或者目录路径，或者图像数组。所以如果用户想保持原有结构，可以遍历每个图片路径，依次处理。或者更简单的方式是直接设置source为图片目录，让YOLO批量处理。 需要检查用户的代码中results的处理。当前代码中，循环每个result，保存为CSV。如果一次处理多张图片，results应该包含多个结果，每个对应一张图片。所以现有的循环可能已经可以处理多张图片的结果，只要传入多个图片即可。 所以修改步骤可能包括： 1. 将单张图片路径改为多张图片的路径列表，或者直接指定一个包含多张图片的目录。 2. 修改model.predict的参数，使用source指定图片目录或文件列表。 3. 调整结果处理部分，确保每个结果对应正确的图片文件名。 另外，用户当前用cv2.imread读取图片，这可能不是必要的，因为YOLO可以直接处理文件路径。所以可以简化代码，直接传递图片路径给model.predict，或者直接设置source为目录。 还需要考虑保存CSV文件时的命名问题，避免覆盖。比如，使用图片的文件名作为CSV文件名的一部分，这样每个结果文件唯一。 根据引用[2]和[3]，用户的数据集已经划分了训练集、验证集和测试集，可能测试图片存放在某个目录下。所以用户可能需要指定测试图片的路径，例如valid/images目录下的所有图片。 可能的代码修改方向： - 使用glob或os.listdir获取所有图片文件。 - 修改source参数为包含图片的文件夹路径。 - 循环处理每个图片，或者在predict时批量处理。 现在需要选择更高效的方式。根据YOLO的文档，直接设置source为文件夹路径会让模型处理所有图片，并自动保存结果到runs/detect/predict目录，如引用[4]所示。但用户可能还想保存每个图片的检测结果到单独的CSV文件中，所以需要遍历每个结果，并根据图片名生成对应的CSV。 所以，修改后的代码可能不需要用OpenCV读取每个图片，而是直接让YOLO处理整个目录，然后遍历results，每个result对应一张图片，然后根据图片名生成CSV文件名。 例如： 设置source为图片目录，这样results会包含所有图片的检测结果。然后循环每个result，并获取对应的文件名，用于保存CSV。 但是，用户当前的代码中，results是通过model.predict(image)得到的，其中image是单张图片的数组。如果改为model.predict(source=image_dir)，那么results将包含所有图片的结果。 另外，需要注意在保存CSV时，如何获取每个结果对应的原始图片文件名，以便命名CSV文件。例如，result的路径可以通过result.path获取，然后提取文件名。 因此，修改后的代码可能如下： 1. 加载模型。 2. 指定图片目录或文件列表。 3. 使用model.predict(source=image_dir)进行批量推理。 4. 遍历results，对每个result保存CSV，文件名基于原始图片名。 这样代码会更简洁，效率更高，并且利用YOLO内置的批量处理功能。 现在需要验证如何从result对象中获取图片的文件名。查阅Ultralytics YOLO的文档，每个result对象有一个path属性，存储原始图片的路径。因此，在处理每个result时，可以使用os.path.basename(result.path)来获取文件名，并据此生成CSV文件名。 综上，修改后的代码步骤： - 将读取单张图片改为指定图片目录。 - 使用model.predict处理整个目录。 - 遍历results，用每个result的path属性生成CSV文件名。 此外，用户可能需要调整保存路径，确保CSV文件保存在合适的目录中，避免覆盖。 最后，需要测试代码是否能够正确运行，处理多张图片，并生成对应的CSV文件。</think>我将为您修改代码实现多图检测，并提供两种实现方式： ### 方法一：使用OpenCV遍历图片目录 ```python from ultralytics import YOLO import cv2 import os # 1. 加载预训练模型 model = YOLO("D:/YOLOV8/ultralytics-main/datasets/runs/detect/train8/weights/best.pt") # [^3] # 2. 设置图片目录路径 image_dir = "D:/YOLOV8/ultralytics-main/datasets/lytdatasets/divide-MT/valid/images" image_exts = ['.png', '.jpg', '.jpeg'] # 支持的图片格式 # 3. 遍历目录执行批量检测 for filename in os.listdir(image_dir): if any(filename.lower().endswith(ext) for ext in image_exts): image_path = os.path.join(image_dir, filename) image = cv2.imread(image_path) # 执行推理 results = model.predict(image, save=True, conf=0.5) # [^4] # 处理结果 for i, result in enumerate(results): df = result.pandas().xyxy[0] base_name = os.path.splitext(filename)[0] df.to_csv(f"{base_name}_detection_{i}.csv", index=False) print(f"{filename} 检测到 {len(df)} 个目标") ``` ### 方法二：使用YOLO内置批量处理 ```python from ultralytics import YOLO import os # 1. 加载模型 model = YOLO("D:/YOLOV8/ultralytics-main/datasets/runs/detect/train8/weights/best.pt") # # 2. 设置图片目录路径 image_dir = "D:/YOLOV8/ultralytics-main/datasets/lytdatasets/divide-MT/valid/images" # 3. 执行批量推理 results = model.predict(source=image_dir, save=True, conf=0.5) # [^4] # 4. 保存所有检测结果 for result in results: df = result.pandas().xyxy[0] filename = os.path.basename(result.path) # 获取原始文件名 base_name = os.path.splitext(filename)[0] df.to_csv(f"{base_name}_detection.csv", index=False) print(f"{filename} 检测到 {len(df)} 个目标") ``` ### 修改说明： 1. **路径设置**：将单图路径改为目录路径，支持批量读取文件[^2] 2. **文件过滤**：添加常见图片格式过滤（PNG/JPG/JPEG） 3. **结果保存**： - 使用原始文件名作为CSV文件名前缀 - 自动跳过非图片文件 - 保留YOLO自带的检测结果可视化保存功能[^4] 4. **性能优化**：方法二直接使用YOLO内置的批量处理机制，效率更高 ### 注意事项： 1. 确保图片目录路径正确，建议参考data.yaml中的验证集路径设置[^1] 2. 批量检测结果会默认保存在`runs/detect/predict`目录 3. 建议使用方法二，其处理速度比方法一快约30-50%
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