coco128训练YOLOv5

提示:coco128数据集、yolov5s、colab

一、下载三个文件

1.YOLOv5-master

网页下载链接:https://github.com/ultralytics/yolov5
已下载到网盘,链接:链接: https://pan.baidu.com/s/1ADIqC0KxyKidH9JCT4VKIQ
提取码:xhlu

2.coco128数据集

共128张图片,非常小
yolov5同级目录为datasets,下载到datasets下
网盘链接: 链接: https://pan.baidu.com/s/19zbfHmRJZF2NkLwjq3nbvg
提取码: wxus

3.权重文件

我用的是yolov5s,适合新手,将权重文件解压后的yolov5s.pt放到yolov5-master下一级,与train.py同级
权重文件:链接: https://pan.baidu.com/s/14sffnKnxvpMn8eRWqq-M-w
提取码: 4xgj

二、使用colab

1.文件上传到谷歌我的云端硬盘

我的云端硬盘:https://drive.google.com/drive/my-drive
将整个大文件夹压缩上传(只需要谷歌账号即可使用)
点击”我的云端硬盘“右侧三角选择”上传文件即可’

2.colab与云端硬盘链接

将colab与云端硬盘链接
”
(1)目录中选择文件,点击“装载google云端硬盘”(第三个图标),自动定位到右侧代码,运行即可。
(2)文件一般在content\drive\mydrive文件夹下

3.训练模型

(1)复制文件到colab并解压缩

!cp /contenr/drive/MyDrive/yolov5.zip /content/yolov5.zip
!unzip /content/yolov5.zip -d /contet/yolov5

(2)安装库文件
requirements.txt中已经全部写好,直接全部安装

!cd /content/yolov5s/coco-to-yolov5s/yolov5-master
!pip install -r requirements.txt

(3)开始训练
python运行train.py文件

!python train.py --rect

4.下载训练结果

代训练完成后生成runs文件夹,下级目录train下有exp文件,将exp文件压缩下载
exp2是第二次训练结果的意思

!tar -cvf exp2.zip/content/yolov5s/coco-to-yolov5s/yolov5-master/runs/train/exp2

我压缩完出现在目录中的utrl文件夹中,右击下载,保存到本地即可
!!!!解压缩不要用360!!我用360解压后出错了,浪费了好长时间找问题
正确的解压结果如下:
在这里插入图片描述

### 使用 YOLOv10 模型跑通 COCO128 数据集 对于使用YOLOv10模型来处理COCO128数据集的任务,可以遵循一系列特定的操作流程以确保顺利实现目标。 #### 准备环境与安装依赖库 为了能够成功加载并操作YOLOv10模型以及处理COCO128数据集,首先需要准备合适的开发环境。这通常涉及到Python版本的选择、必要的机器学习框架(如PyTorch)以及其他辅助工具包的安装。如果采用的是Ultralytics官方提供的YOLO系列模型,则可以直接利用其封装好的API简化许多工作流中的步骤[^1]。 #### 加载预训练模型 通过`from ultralytics import YOLO`语句可以从Ultralytics获取最新的YOLO模型实例化对象。针对想要使用的具体型号,在初始化时传入相应的权重文件路径即可完成加载过程。例如: ```python model = YOLO("yolov10-pose.pt") # 假设存在名为 yolov10-pose 的预训练模型用于姿态估计 ``` 需要注意的是,“yolov10-pose.pt”仅为假设名称,实际应用中应替换为真实的YOLOv10模型对应的权重文件名或者URL地址。 #### 配置数据源 当打算对新的数据集进行推理或训练之前,必须先定义好该数据集的相关参数设置。对于像COCO这样的标准公开数据集来说,一般只需调整一些基本选项而不需要完全重写整个配置文件。比如可以通过编辑`.data`格式的数据描述文档指定类别数量、图片存储位置等信息[^3]。 #### 执行预测/评估 一旦完成了上述准备工作之后就可以调用模型来进行图像识别任务了。下面给出了一段简单的代码片段展示如何向已加载完毕的YOLOv10传递一张待测图片从而获得检测结果: ```python results = model("path_to_coco_image_or_url") # 这里既可以是指定本地磁盘上的某张照片也可以是一个远程服务器上托管着的目标资源链接 ``` 以上就是关于怎样运用YOLOv10模型配合COCO128数据集开展工作的概述说明。值得注意的是由于当前并没有直接提及有关于YOLOv10的具体细节资料因此这里很多地方都是基于现有知识体系做出合理推测得出的结果;另外考虑到技术不断进步更新的可能性建议关注最新发布的官方文档和技术博客以便及时掌握最前沿的信息动态。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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