使用示例数据集检测对象的步骤

一般来说，分类技术在自动驾驶车辆中帮助不大，因为它只预测图像中的一个对象，而不给出该图像的位置。在自主车辆中，检测场景中有哪些物体及其位置是非常重要的。YOLO(你只看一次)是Joseph Redmon等人提出的一种高速实时目标检测算法。作为提供类概率的回归问题，使用卷积神经网络(CNN)。后来，它经过了一些修改。要做出预测，YOLO只需要通过CNN进行一次正向传播。它输出带有相应边界框的对象。它广泛应用于自动驾驶车辆中检测场景中的目标。YOLO

在这篇文章中，我们将使用AWS上的可可数据集(可定制)中的图像设置并运行YOLO。

步骤1：设置权重和偏差帐户(如果您没有)

登录wandb.ai网站，复制以下内容：wandb.ai

来自wandb.ai/authize的API密钥
wandb.ai/settings中的团队名称。默认团队名称将是用户ID。

步骤2：创建AWS实例

在创建实例时，请选择-uro˜Deep Learning AMI(Ubuntu18.04)version47.0uro“ami-01f1096e6659d38faâuro™AMI，因为它有深度学习任务所需的库。我们可以找到这一点，如果我们搜索？EURO˜深度学习？EURO™，在？EURO˜CHOOSE Amazon Machine Image(AMI)？EURO™STEP中搜索。
选择P3实例作为？EUROU˜实例类型？EURO™。实例类型p3.2xLarge就足够了。
要节省成本，请在-EUROU˜CONFIGURE INSTANCE？EURO™步骤下选择Spot Instance。

步骤3：安装依赖项

登录AWS实例后，使用以下命令创建CONDA环境，并设置权重和偏移量环境变量：

# Create conda environment with name 'test'
$ conda create -n test python=3.9.6 wandb

第4步：培训、VAL和测试

# Train a model. By default, it uses data/coco128.yaml and runs for 300 epochs. Dataset is downloaded from  https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip (128 images under images/train2017 from coco128.zip)
$ python train.py  

# Validate a model for Precision, Recall and mAP (128 images under images/train2017 from coco128.zip).
$ python val.py --weights yolov5s.pt    

# There are two images. We can use our custom images.
$ python detect.py --weights yolov5s.pt --source /home/ubuntu/yolov5/data/images

步骤5：查看W&B网站上的曲线图和指标

结果

验证批标签

验证预测标签

列车损耗

测试

注意：上述所有结果也都在yolov5\runs\detect\exp文件夹下