mmyolo训练记录

最新推荐文章于 2025-06-12 09:09:27 发布
最新推荐文章于 2025-06-12 09:09:27 发布
阅读量542 收藏 6
点赞数 1
CC 4.0 BY-SA版权
文章标签： 深度学习 人工智能
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/zoedu08/article/details/129660665
文章介绍了如何使用mmyolo进行实验，包括按照官方安装步骤配置环境，调整数据集路径以适应COCO格式，设置训练参数，以及遇到类别数量不足引发的‘IndexError’时，提出了增大阈值和修改cocoapi的解决方案。

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

最近在使用mmyolo跑一些实验。
1、环境安装，就按照官网的安装步骤来就可以了 。
https://github.com/open-mmlab/mmyolo
在这里插入图片描述
2、数据集，如果是在配置文件里面。将数据集路径加载为自己存放的路径，ps:这里使用的coco格式。
在这里插入图片描述
3、训练参数：
在这里插入图片描述
4、开始训练，mmyolo的训练方法和mmdetection差不多。
在这里插入图片描述
5、我的类别数量比较少，导致报错：IndexError:list index out of range.
在这里插入图片描述
修改方案：
1、增大阈值
在这里插入图片描述
2、修改cocoapi
在这里插入图片描述

【保姆级教程】YOLOv8_OBB旋转目标检测：训练自己的数据集(2)
m0_51579041的博客
07-13 1002
【保姆级教程】YOLOv8_OBB旋转目标检测：训练自己的数据集
Yolo-World在自定义数据集上进行闭集词汇训练过程（一）——使用源码训练模型
ITdaka的博客
05-29 8474
基于自定义数据集如何训练yolo-world模型
mmyolo训练yolov5~ppyoloe
qq_41980080的博客
02-28 1382
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。
【mmYOLO】促进视觉项目落地，主打工程经验和实用。从原理配置到属性设置，从模型训练到模型评测
白水空空
06-10 1586
基础配置的 YOLOv5 使用 YOLOv5CSPDarknet，在需要将主干网络改成 YOLOv6EfficientRep 的时候，因为 YOLOv5CSPDarknet 和 YOLOv6EfficientRep 中有不同的字段，需要使用 _delete_=True 将新的键去替换 backbone 域内所有老的键。统一便捷的算法评测：MMYOLO 统一了各类 YOLO 算法模块的实现，并提供了统一的评测流程，用户可以公平便捷地进行对比分析。用户可以在这个字段中加入自定义的钩子，例如 EMAHook。
MMYOLO项目配置详解：从模型定义到训练优化
gitblog_00277的博客
06-12 426
MMYOLO项目配置详解：从模型定义到训练优化 配置系统概述 MMYOLO采用模块化设计理念，通过配置文件实现对目标检测算法各个组件的灵活控制。这种设计使得研究人员和开发者能够轻松调整模型结构、训练策略和数据增强方式，而无需修改代码本身。配置文件采用Python格式，具有清晰的层次结构，便于理解和修改。 核心配置参数解析 基础训练参数 在MMYOLO配置中，以下几个参数对模型训练影响最为显著： i...
MMYOLO：打破单一模式限制，多模态目标检测的革命性突破！
Coovally_AI的博客
01-22 1653
同时，采用了hybrid-channel策略构建了更高效的解耦检测头，将中间 3×3的ConvModule减少为1个，在维持精度的同时进一步减少了模型耗费，降低了推理延时。对于任何一个输出层，抛弃了常用的基于Max IoU匹配的规则，而是直接采用shape规则匹配，也就是该GT Bbox和当前层的Anchor计算宽高比，如果宽高比例大于设定阈值，则说明该GT Bbox和Anchor匹配度不够，将该GT Bbox暂时丢掉，在该层预测中该GT Bbox对应的网格内的预测位置认为是负样本。
mmyolo标注+训练+测试+部署全流程
feinanmao的博客
06-04 1582
从用户自定义图片数据集标注到最终进行训练和部署的整体流程。步骤概览如下：使用+ labelme根据数据集内容新建 config 文件可视化 config 配置中数据处理部分：部署。
mmyolo安装
weixin_52810783的博客
06-09 895
1.MMYOLO 介绍MMYOLO 是一个基于 PyTorch 和 MMDetection 的 YOLO 系列算法开源工具箱，它是项目的一部分。MMYOLO 定位为 YOLO 系列热门开源库以及工业应用核心库，其愿景图如下所示：2.支持的任务目标检测旋转框检测3.支持的算法YOLOv5YOLOXRTMDetYOLOv6YOLOv7PPYOLOEYOLOv8按照官方文档进行安装。
mmyolo做消融实验
03-08
#### 执行与记录结果 完成上述准备工作之后就可以运行训练脚本了。每次只变动单一变量以便于清晰地看出每一步改进所带来的影响。同时要记得保存各个版本的日志以及最终得到的最佳模型权重，方便后续对比分析。 ####...
yolov5训练部分
D_Yan7的博客
09-24 350
(‘%11s’ * 7) 创建了一个格式字符串，表示每个字符串占 11 个字符的位置，并且重复了 7 次。
Yolo-World训练过程中使用wandb进行可视化
ITdaka的博客
06-13 718
yolo-world使用wandb实现训练可视化
MMyolo入门知识点汇总
mengsheng12的博客
03-19 1171
功能四：基于面积规则下，显示类别和 bbox 实例面积的分布图，通过子函数。功能三：显示类别和 bbox 实例宽/高比例的分布图，通过子函数。功能二：显示类别和 bbox 实例宽、高的分布图，通过子函数。功能一：显示类别和 bbox 实例个数的分布图，通过子函数。可视化 neck 输出的 3 个层的所有输出特征图的平均激活。可视化 backbone 输出的 3 个层的最大激活层。（8）Grad-Based CAM可视化。2）查看trensformed图像。3）查看pipeline图像。
mmyolo技术文档（1）
Aixha的博客
09-24 1723
mmyolo下载路径：https://github.com/open-mmlab/mmyolo。
MMYOLO | YOLO 系列算法开源工具箱推荐----玩转 MMYOLO 工具类第一期： 特征图可视化
qq_43000647的博客
12-09 6617
MMYOLO 是一个基于 PyTorch 和 MMDetection 的 YOLO 系列算法开源工具箱。它是 OpenMMLab 项目的一部分。本文主要分析了 MMYOLO 中特征可视化用法。
MMYOLO配置详解
MyArrow的专栏
03-22 2701
MOYO配置文件
【MMYOLO训练数据集】
小秋的博客
03-05 1624
MMYOLO是OpenMMLab实验室开发的一个基于YOLO系列的目标检测框架的实现，它整合了MMCV和MMEngine等工具库以支持更方便的模型训练、评估以及部署。环境安装安装Python和必要的依赖包。安装mim使用mimmim install mmcv>=指定版本,=指定版本,
MMYOLO 目标检测快速入门指南：15分钟完成猫类检测
最新发布
gitblog_00822的博客
06-12 355
MMYOLO 目标检测快速入门指南：15分钟完成猫类检测 目标检测简介 目标检测是计算机视觉中的基础任务之一，它不仅能识别图像中的物体类别，还能精确标定物体的位置（通过边界框表示）。MMYOLO 是一个基于 PyTorch 的 YOLO 系列目标检测开源工具箱，支持多种 YOLO 变体算法。 环境配置 基础环境安装 首先需要准备 Python 和 PyTorch 环境： conda create ...
mmyolo技术文档（2）
Aixha的博客
09-25 1060
完成模型的训练后，我们可以根据以下代码进行模型的测试；
【YOLO改进】主干插入注意力机制模块CBAM（基于MMYOLO）
Vlone_pp的博客
04-09 1464
在插件的设置中， 可以通过修改stages的参数自定义模块插入在主干的哪一个stage，也可以通过修改“type”参数选择其他注意力机制模块。由于CBAM是MMYOLO自带的，所以直接设置参数“type”为“CBAM”即可，如果需要用其他注意力机制模块，则需要通过注册自定义模块实现。
评论
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