yolov3fromzero
tested on ubuntu1804 cuda11.4 NVIDIA RTX A5000
依赖包:
albumentations 1.0.2
torch 1.9.0
numpy 1.20.1
cv2 4.5.3
albumentations-team/albumentations#459 (comment) 数据增强库albumentations的bug需要参考上述链接手动修复.
使用前根据自己的代码的实际路径替换下面的/home/autocore/work
export PYTHONPATH=$PYTHONPATH:/home/autocore/work/yolov3fromzero:/home/autocore/work/yolov3fromzero/models
数据集存放于coco目录下.结构如下.
coco
├── images
│ ├── train2014
│ ├── train2017
│ ├── val2014
│ └── val2017
└── labels
├── train2014
├── train2017
├── val2014
└── val2017
把该创建的目录创建好.
cd yolov3fromzero
mkdir input_imgs //input_imgs目录用于存放原图经过处理后输入到模型的图片.
mkdir out_imgs //out_imgs目录用于存放在原始图片上的检测效果图.
mkdir checkpoints //存放训练好的模型文件
mkdir log //存放日志
测试数据处理
第一次训练前执行下面命令,以确保你的数据没有问题. 如果出错,请检查是否有不存在的图片或是label(包括缺失文件或者文件内容为空)
python dataset/dataset.py
会生成经过数据处理后送进模型的输入图片,位于input_imgs目录.
检测train.txt里是否有不存在label的图片
python coco/check_traintxt.py 如果有,修正traintxt. 新的文件命名为xxx.new label的格式默认为yolo的格式. cxywh xywh为比例.
训练
python train.py
指定gpu训练: 在id=1的卡上训练:
export CUDA_VISIBLE_DEVICES=1
python train.py
在id=0,1的两张卡上训练
export CUDA_VISIBLE_DEVICES=0,1
python train.py
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent