mmyolo训练记录

最新推荐文章于 2025-01-22 16:15:47 发布
原创 最新推荐文章于 2025-01-22 16:15:47 发布 · 589 阅读 · 6 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #人工智能

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。
部署运行你感兴趣的模型镜像

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

您可能感兴趣的与本文相关的镜像

Yolo-v8.3

Yolo-v8.3

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

mmyolo训练yolov5~ppyoloe
qq_41980080的博客
02-28 1482
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训练数据集】
小秋的博客
03-05 1775
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,
OpenMMLab MMYOLO目标检测算法原理（二）
qq_41627642的博客
09-13 1672
YOLOv8的核心特性和修改可以总结如下：提出了一种新的最先进（SOTA）模型，具有 P5 640 和 P6 1280 分辨率的对象检测模型，以及基于 YOLACT 的实例分割模型。该模型还包括与 YOLOv5 类似的 N/S/M/L/X 尺度的不同尺寸选项，以适应各种场景。主干网络和neck模块是基于YOLOv7 ELAN设计理念，用C2f模块替代YOLOv5的C3模块。然而，这个C2f模块中有很多诸如Split和Concat之类的操作不像以前那样部署友好。Head模块更新为目前主流的解耦结构，
mmyolo标注+训练+测试+部署全流程
feinanmao的博客
06-04 1855
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。
【OpenMMLab】mmyolo-v8训练自己的数据
m0_60063179的博客
03-16 1564
【OpenMMLab】mmyolo-v8训练自己的数据
【超级视客营】基于超算平台的MMYOLO实践过程记录（自定义数据集实现YOLO v5）
ShiTianlei的博客
01-17 1289
基于超算平台的MMYOLO实践过程记录（自定义数据集实现YOLOv5）
MMYOLO框架标注、训练、测试全流程（补充篇）
热门推荐
qq_20144897的博客
07-01 1万+
MMYOLO框架标注、训练、测试全流程，对官方教程的一点补充
YOLOv6 | 模型结构与训练策略详细解析
Clichong
08-26 4765
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。...
mmyolo做消融实验
最新发布
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
09-24 465
(‘%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。
利用MMYOLO训练自己的数据集
weixin_51278988的博客
01-13 3115
直接在命令行输入下面代码(先进入你创建的环境 云gpu不用切换)
MMyolo入门知识点汇总
mengsheng12的博客
03-19 1296
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】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 1753
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：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 2184
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 训练自定义的数据集
datayx的文章
01-13 546
训练的时候loss_bbox=0，测试和eval的时候结果也全是空的，排除了数据集读取的问题，最后发现是config中自定义了自己的类别但是没有传给dataset。
mmyolo安装
weixin_52810783的博客
06-09 976
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】部署到推理还是等官方的教程吧，难顶
白水空空
06-11 1276
若在int8模式下未传入参数，则会自动使用模型配置文件中的’val’数据集进行校准。wandb 可视化需要在官网注册，并在 https://wandb.ai/settings 获取到 wandb 的 API Keys。xxx=yyy 中的键值对格式，将是 dataset.evaluate() 函数的 kwargs。: 用于评估 MMYOLO 中定义的模型的指标，如 COCO 标注格式的 “proposal”。将 PyTorch 模型转换为后端支持的模型后，您可能需要验证模型的精度，使用。
mmyolo技术文档（1）
Aixha的博客
09-24 1908
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 6835
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训练visdrone
01-01
### 使用 MMYOLO 框架训练 VisDrone 数据集 #### 准备环境 安装必要的依赖项并配置开发环境对于顺利运行项目至关重要。确保已正确设置 Python 和 PyTorch 环境之后，可以通过 pip 安装 OpenMMLab 提供的一系列工具包。 ```bash pip install mmcv-full mmdet mmyolo ``` #### 下载和准备数据集 VisDrone 是一个广泛使用的无人机视角下的视觉目标检测与跟踪数据库。下载官方发布的最新版本的数据集文件，并按照如下结构整理： ``` mmyolo/ ├── configs/ │ └── custom_visdrone.py ├── data/ │ ├── visdrone/ │ ├── annotations/ │ ├── train.json │ ├── val.json │ ├── images/ │ ├── train/ │ └── val/ └── tools/ └── ... ``` #### 修改配置文件 创建一个新的配置文件 `custom_visdrone.py` 来定义特定于 VisDrone 数据集的任务参数。此配置继承自默认的 RTMDet 设置[^1]，但针对 VisDrone 特征进行了调整。 ```python _base_ = [ '../rtmdet/rtmdet_l_8xb32-300e_coco.py' # 基础配置路径 ] # 数据集相关设定 data_root = 'data/visdrone/' dataset_type = 'CocoDataset' train_pipeline = [...] test_pipeline = [...] data = dict( samples_per_gpu=2, workers_per_gpu=2, train=dict( type='RepeatDataset', times=5, dataset=dict( type=dataset_type, ann_file=data_root + 'annotations/train.json', img_prefix=data_root + 'images/train/', pipeline=train_pipeline)), val=dict( type=dataset_type, ann_file=data_root + 'annotations/val.json', img_prefix=data_root + 'images/val/', pipeline=test_pipeline), test=dict( type=dataset_type, ann_file=data_root + 'annotations/val.json', img_prefix=data_root + 'images/val/', pipeline=test_pipeline)) evaluation = dict(interval=1, metric='bbox') ``` #### 开始训练过程 一切就绪后，在命令行界面执行以下指令启动训练脚本。这里假设已经设置了 CUDA 可用设备来加速计算效率。 ```bash python tools/train.py configs/custom_visdrone.py --gpu-id 0 ``` 通过上述操作，能够基于 MMYOLO 平台有效地利用 RTMDet 架构完成对 VisDrone 数据集的目标检测任务训练工作。
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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