- python
- torch
- 其他
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
- 数据格式与yolov5一致
├── images
│ ├── train
│ └── val
└── labels
├── train
└── val
- --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
- --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
- --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
- --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
- 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
- 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
- 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