训练相关基本操作

环境

python
torch
其他

pip install -r requirements.txt -i  https://pypi.tuna.tsinghua.edu.cn/simple

数据集

数据格式与yolov5一致

├── images
│   ├── train
│   └── val
└── labels
    ├── train
    └── val

命令行执行

训练必用,建议使用train_dual.py

--weights 初始化权重pt
--cfg 初始化模型配置yaml
--data 数据集加载，默认data文件夹下找yaml文件
--hyp 超参，默认data/hyps超参下找yaml
--epochs 训练代数
--batch-size 视显存大小而定
--img 训练尺度
--resume 断点重训
--device gpu数量
--workers 0肯定可以，其他数值请自行尝试
--patience epochs设置比较大的时候可以用到early-stop
--close-mosaic 马赛克数据增强提前关闭

验证必用，建议使用val_dual.py

--data 数据集加载，默认data文件夹下找yaml文件
--weights 想要验证的权重文件地址，支持pt、torchscript、onnx、openvino、trt、tf、paddle
--batch-size 视验证目标而定
--img 验证尺度
--conf-thres 置信度阈值，影响较大
--iou-thres iou阈值
--max-det 最大检测数量
--task 主要用val、test、speed
--device gpu数量
--workers 0肯定可以，其他数值请自行尝试
--half fp16推理

推理必用，建议使用detect_dual.py

--weights 想要推理的权重文件地址，支持pt、torchscript、onnx、openvino、trt、tf、paddle
--source 想要推理的目录，可以是图片、视频、文件夹、屏幕、摄像头
--img 推理尺度
--conf-thres 置信度阈值，影响较大
--iou-thres iou阈值
--max-det 最大检测数量
--device gpu数量
--nosave 不保存

导出必用export.py

--weights 想要导出的权重地址
--img 导出尺度
--batch-size 导出尺度
--device gpu数量
--half 半精度导出
--dynamic 动态导出
--simplify 调用onnx-simplify进行简化
--opset onnx版本
--include 导出格式，主要有onnx，torchscript，engine等等

全面验证benchmarks.py

torch、torchscript、onnx、openvino、trt、coreml、tf等等全部跑一遍
--weights 想要导出的权重地址
--img 导出尺度
--batch-size 导出尺度
--device gpu数量
--half 半精度导出
--pt-only 仅测试pt

代码基础介绍

classify分类代码

data 超参+数据集

models 核心代码

detect 主要模型yaml文件

hub 其他模型yaml

panoptic 全景分割模型

segment 分割模型

common.py 核心子模块

experimental.py 实验模块

tf.py tensorflow代码

yolo.py 子模块调用

panoptic 全景调用代码

segment 分割调用代码

utils 各类工具

activations.py 激活函数
augmentations.py 数据增强
autoanchor.py 自动计算anchor值
autobatch.py 自动生成batch
callbacks.py 处理回调函数
coco_utils.py coco数据集工具
dataloaders.py 数据加载工具
downloads.py 下载工具
general.py 大量常规工具
lion.py 狮群优化算法
loss.py损失函数及多级辅助监督的损失函数
metrics.py 评价尺度有关工具，例如ap计算
plots.py绘图工具
torch_utils torch工具
triton.py triton推理工具

benchmarks.py 全平台验证

detect.py detect_dual.py 单头和多头检测代码

export.py 导出代码

hubconf.py torch hub模型库

train.py train_dual.py train_triple.py 单头和多头训练代码

val.py val_dual.py val_triple.py单头和多头验证代码

核心优势

PGI可编程梯度信息

辅助监督框架，也就是train、val、detect对应的dual和triple等代码，对应也提出了多头的损失函数
yolov7的ELAN优化梯度路径，降参提点，变成GELAN，两个版本是同一个作者

icode-pku-edgeai / yolov9 Goto Github PK

yolov9's Introduction

训练相关基本操作

环境

数据集

命令行执行

训练必用,建议使用train_dual.py

验证必用，建议使用val_dual.py

推理必用，建议使用detect_dual.py

导出必用export.py

全面验证benchmarks.py

代码基础介绍

classify分类代码

data 超参+数据集

models 核心代码

detect 主要模型yaml文件

hub 其他模型yaml

panoptic 全景分割模型

segment 分割模型

common.py 核心子模块

experimental.py 实验模块

tf.py tensorflow代码

yolo.py 子模块调用

panoptic 全景调用代码

segment 分割调用代码

utils 各类工具

benchmarks.py 全平台验证

detect.py detect_dual.py 单头和多头检测代码

export.py 导出代码

hubconf.py torch hub模型库

train.py train_dual.py train_triple.py 单头和多头训练代码

val.py val_dual.py val_triple.py单头和多头验证代码

核心优势

PGI可编程梯度信息

yolov9's People

Contributors

Recommend Projects

Recommend Topics

Recommend Org