YOLOv7——训练自己的数据集

论文地址:https://arxiv.org/abs/2207.02696

源码地址:https://github.com/WongKinYiu/yolov7

下载好代码包,解压后配置环境,在终端直接下载requirements.txt的代码就好

(本人环境:torch 1.8.0,当然有一些tensorboard、wandb等工具包需要自己下载啦~)

pip install -r requirements.txt

wandb安装教程看这个:wandb使用_ai-ai360的博客-优快云博客_wandb使用

输入后就是以下情况(我的环境名称叫做yolov5,这个忽视掉....)

一、数据集准备

本人数据集是自己标注的VOC格式的建筑裂缝目标检测数据集,以此为例。

(✔文件中的内容需要自己提前准备好的, ImageSets - Main、labels、yolo_path是需要自己创建的空文件夹,文件里的内容后续代码生成。)

文件分别为:✔Annotations(.xml格式标注标签)

                      ImageSets - Main(存放训练集、测试集等划分.txt格式文件)

                      ✔JPEGImages(.jpg格式图像)

                      labels(转化为yolo可使用的.txt格式标注标签)

                      yolo_path(训练集、测试集等.txt格式路径&#x

### 训练自定义数据集上的YOLOv11-seg模型 #### 配置文件设置 为了在自定义数据集训练 YOLOv11-seg 模型,首先需要正确配置模型的配置文件。这通常是一个 `.cfg` 文件,在其中可以指定网络架构、学习率、批处理大小等超参数。 对于特定于分割任务的部分,确保设置了合适的类别数量以及输入尺寸: ```yaml # yolov11-seg.cfg 示例片段 [net] batch=64 subdivisions=16 width=608 height=608 channels=3 momentum=0.949 decay=0.0005 angle=0 saturation = 1.5 exposure = 1.5 hue=.1 ... classes=80 # 自定义数据集中类别的总数 ``` 针对自定义数据集,修改 `classes` 参数以匹配实际的数据标签数目[^1]。 #### 数据预处理 数据预处理阶段至关重要,它直接影响到最终模型性能的好坏。具体操作如下: - **图像标准化**:将图片缩放到统一尺寸(如上述配置中的宽度和高度),并进行归一化处理。 - **数据增强**:采用多种方式增加样本多样性,比如随机裁剪、翻转、颜色抖动等技术来扩充原始数据量,提高泛化能力。 - **标注转换**:如果原数据是以其他格式存储,则需将其转化为支持的标准格式,例如 Pascal VOC 或 COCO JSON 格式。 此外,还需编写相应的脚本读取这些经过处理后的数据,并按照框架的要求构建 PyTorch DataLoader 对象供后续调用[^2]。 #### 训练参数调整最佳实践 当一切就绪之后就可以着手设定具体的训练选项了。这里有一些推荐的做法可以帮助获得更好的效果: - 设置合理的初始学习率 (`lr`) 和衰减策略;一般而言较小的学习速率有助于更稳定地收敛但速度较慢,反之亦然。 - 使用 Adam 或者 SGD 这样的经典优化算法之一作为默认选择;前者更适合大多数情况下的快速原型开发而后者则更加灵活可控。 - 启用混合精度训练 (Mixed Precision Training),即允许部分计算过程使用半浮点数表示从而加速 GPU 上的操作而不牺牲太多准确性。 最后一步就是启动训练循环并通过监控日志观察进度直至完成整个周期。期间可根据实际情况动态调整某些关键性的超参组合以便找到最优解空间内的平衡点。 ```python import torch from yolov11 import YOLO, train_params model = YOLO('yolov11m-seg.pt') results = model.train(**train_params) print(results) ```
评论 11
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