训练全部流程记录
1、采用tiny-yolo-5clessses训练自己的数据集全部流程记录
CV之YOLO：深度学习之计算机视觉神经网络tiny-yolo-5clessses训练自己的数据集全程记录
2021-10-27
237
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
CV之YOLO：深度学习之计算机视觉神经网络tiny-yolo-5clessses训练自己的数据集全程记录
目录
相关文章
|
3月前
|
机器学习/深度学习
PyTorch
算法框架/工具
目标检测实战(一)：CIFAR10结合神经网络加载、训练、测试完整步骤
这篇文章介绍了如何使用PyTorch框架，结合CIFAR-10数据集，通过定义神经网络、损失函数和优化器，进行模型的训练和测试。
185
2
3
|
5天前
|
机器学习/深度学习
自然语言处理
并行计算
社区供稿 | Para-Former：DUAT理论指导下的CV神经网络并行化，提速多层模型推理
神经网络正越来越多地朝着使用大数据训练大型模型的方向发展，这种解决方案在许多任务中展现出了卓越的性能。然而，这种方法也引入了一个迫切需要解决的问题：当前的深度学习模型基于串行计算，这意味着随着网络层数的增加，训练和推理时间也会随之增长。
43
28
29
|
3月前
|
机器学习/深度学习
数据可视化
测试技术
YOLO11实战：新颖的多尺度卷积注意力（MSCA）加在网络不同位置的涨点情况 | 创新点如何在自己数据集上高效涨点，解决不涨点掉点等问题
本文探讨了创新点在自定义数据集上表现不稳定的问题，分析了不同数据集和网络位置对创新效果的影响。通过在YOLO11的不同位置引入MSCAAttention模块，展示了三种不同的改进方案及其效果。实验结果显示，改进方案在mAP50指标上分别提升了至0.788、0.792和0.775。建议多尝试不同配置，找到最适合特定数据集的解决方案。
877
0
0
|
4月前
|
JSON
人工智能
数据格式
AI计算机视觉笔记二十六：YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8，并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据，文档介绍了如何使用`labelme`标注工具进行关键点标注，并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后，通过Jupyter Notebook可视化标注结果确保准确性。最后，文档展示了如何组织数据集目录结构，并提供了训练与测试代码示例，包括配置文件`smoke.yaml`及训练脚本`train.py`，帮助读者完成自定义模型的训练与评估。
680
2
2
|
2月前
|
机器学习/深度学习
自然语言处理
语音技术
Python在深度学习领域的应用，重点讲解了神经网络的基础概念、基本结构、训练过程及优化技巧
本文介绍了Python在深度学习领域的应用，重点讲解了神经网络的基础概念、基本结构、训练过程及优化技巧，并通过TensorFlow和PyTorch等库展示了实现神经网络的具体示例，涵盖图像识别、语音识别等多个应用场景。
73
8
8
|
3月前
|
机器学习/深度学习
计算机视觉
TPAMI 2024：计算机视觉中基于图神经网络和图Transformers的方法和最新进展
【10月更文挑战第3天】近年来，图神经网络（GNNs）和图Transformers在计算机视觉领域取得显著进展，广泛应用于图像识别、目标检测和场景理解等任务。TPAMI 2024上的一篇综述文章全面回顾了它们在2D自然图像、视频、3D数据、视觉与语言结合及医学图像中的应用，并深入分析了其基本原理、优势与挑战。GNNs通过消息传递捕捉非欧式结构，图Transformers则结合Transformer模型提升表达能力。尽管存在图结构构建复杂和计算成本高等挑战，但这些技术仍展现出巨大潜力。论文详细内容见：https://arxiv.org/abs/2209.13232。
196
3
3
|
3月前
|
机器学习/深度学习
算法
|
4月前
|
人工智能
开发工具
计算机视觉
AI计算机视觉笔记三十：yolov8_obb旋转框训练
本文介绍了如何使用AUTODL环境搭建YOLOv8-obb的训练流程。首先创建虚拟环境并激活，然后通过指定清华源安装ultralytics库。接着下载YOLOv8源码，并使用指定命令开始训练，过程中可能会下载yolov8n.pt文件。训练完成后，可使用相应命令进行预测测试。
299
4
4
|
4月前
|
人工智能
测试技术
PyTorch
AI计算机视觉笔记二十四：YOLOP 训练+测试+模型评估
本文介绍了通过正点原子的ATK-3568了解并实现YOLOP（You Only Look Once for Panoptic Driving Perception）的过程，包括训练、测试、转换为ONNX格式及在ONNX Runtime上的部署。YOLOP由华中科技大学团队于2021年发布，可在Jetson TX2上达到23FPS，实现了目标检测、可行驶区域分割和车道线检测的多任务学习。文章详细记录了环境搭建、训练数据准备、模型转换和测试等步骤，并解决了ONNX转换过程中的问题。
148
3
3
|
4月前
|
机器学习/深度学习
人工智能
测试技术
AI计算机视觉笔记二十五：ResNet50训练部署教程
该项目旨在训练ResNet50模型并将其部署到RK3568开发板上。首先介绍了ResNet50网络，该网络由何恺明等人于2015年提出，解决了传统卷积神经网络中的退化问题。项目使用车辆分类数据集进行训练，并提供了数据集下载链接。环境搭建部分详细描述了虚拟环境的创建和所需库的安装。训练过程中，通过`train.py`脚本进行了15轮训练，并可视化了训练和测试结果。最后，项目提供了将模型转换为ONNX和PT格式的方法，以便在RK3568上部署。
100
2
2
热门文章
最新文章
1
探索深度学习与计算机视觉的融合：构建高效图像识别系统
2
使用Python实现智能食品库存管理的深度学习模型
3
使用Python实现智能食品消费习惯分析的深度学习模型
4
使用Python实现深度学习模型的分布式训练
5
深入理解人工智能中的深度学习技术及其最新进展
6
使用Python实现智能食品消费模式分析的深度学习模型
7
使用Python实现智能食品消费市场分析的深度学习模型
8
基于深度学习的图像识别技术在自动驾驶中的应用研究####
9
探索深度学习中的Transformer模型：原理、优势与应用
10
探索深度学习与自然语言处理的前沿技术：Transformer模型的深度解析