1. 磐创AI-开放猫官方网站首页
  2. Medium

使用YOLO v5进行目标检测

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

感谢您的阅读!如果你喜欢这个帖子,请ğŸ‘�并关注它,因为它鼓励我写更多的东西!

原创文章,作者:fendouai,如若转载,请注明出处:https://panchuang.net/2021/07/26/%e4%bd%bf%e7%94%a8yolo-v5%e8%bf%9b%e8%a1%8c%e7%9b%ae%e6%a0%87%e6%a3%80%e6%b5%8b-2/

联系我们

400-800-8888

在线咨询:点击这里给我发消息

邮件:admin@example.com

工作时间:周一至周五,9:30-18:30,节假日休息