【yolov8和yolov5】用命令快速着手训练

文章目录

  • 1.yolov8
    • 1.1.创建conda环境
    • 1.2.下载代码和环境
    • 1.3.YOLOv8训练、自测和预测的代码及解释
      • 1.3.1. YOLOv8 训练代码:
      • 1.3.2.yolov8 自测代码:
      • 1.3.3.yolov8 推理代码:
      • 1.3.4.注意:
  • 2.yolov5
    • 2.1.创建conda环境
    • 2.2.下载代码和环境
    • 2.3.YOLOv5训练、自测和预测的代码及解释
      • 2.3.1.YOLOv5训练代码
      • 2.3.2.YOLOv5验证代码

1.yolov8

1.1.创建conda环境

conda create -n 环境名 python=3.9
conda create -n yololv8 python=3.11

其他常用conda命令:

# 克隆环境
conda create -n B --clone A  (B代表新环境名,A原环境名)
# 升级python版本
conda install  python=3.10.9
#移除conda环境
conda remove -n 环境名 --all
# 配置国内源下载
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
pip config set global.index-url http://mirrors.aliyun.com/pypi/simple/ && pip config set install.trusted-host mirrors.aliyun.com

1.2.下载代码和环境

pip install ultralytics

1.3.YOLOv8训练、自测和预测的代码及解释

以下是提供的代码的解释:

1.3.1. YOLOv8 训练代码:

yolo train data=./dataset_Attention/data.yaml model=yolov8s.pt epochs=100 device=0,1,2,3,4,5,6,7 imgsz=640 batch=256
  • yolo: YOLOv8的命令行工具。
  • train: 指定进行训练操作。
  • data=./dataset_Attention/data.yaml: 指定包含数据集信息的YAML文件的路径,其中包括数据集的配置和类别信息。
  • model=yolov8s.pt: 指定初始模型的路径或者使用预训练模型。
  • epochs=100: 指定训练的轮数,这里设置为100轮。
  • device=0,1,2,3,4,5,6,7: 指定使用的GPU设备编号。
  • imgsz=640: 设置输入图像的大小为640x640像素。
  • batch=256: 设置训练时的批处理大小为256。

1.3.2.yolov8 自测代码:

yolo val data=./dataset_Attention/data.yaml model=runs/detect/train7/weights/best.pt device=0,1,2,3,4,5,6,7 imgsz=640 batch=256 conf=0.25
  • yolo: YOLOv8的命令行工具。
  • val: 指定进行验证/测试操作。
  • data=./dataset_Attention/data.yaml: 同样,指定包含数据集信息的YAML文件的路径。
  • model=runs/detect/train/weights/best.pt: 指定用于测试的模型的路径。
  • device=0,1,2,3,4,5,6,7: 指定使用的GPU设备编号。
  • imgsz=640: 设置输入图像的大小为640x640像素。
  • batch=256: 设置测试时的批处理大小为256。
  • conf=0.25: 设置目标检测置信度的阈值为0.25,即只显示置信度大于等于0.25的检测结果。

1.3.3.yolov8 推理代码:

yolo val model=runs/detect/train/weights/best.pt data=./dataset_Attention/data.yaml batch=256 imgsz=640 device=0,1,2,3,4,5,6,7
  • model=runs/detect/train/weights/best.pt: 指定用于测试的模型的路径。
  • data=./dataset_Attention/data.yaml: 同样,指定包含数据集信息的YAML文件的路径。
  • device=0,1,2,3,4,5,6,7: 指定使用的GPU设备编号。
  • imgsz=640: 设置输入图像的大小为640x640像素。
  • batch=256: 设置测试时的批处理大小为256。

请确保你的目录结构、数据集配置和模型路径等信息都正确,以确保训练和测试的顺利进行。

1.3.4.注意:

参数必须以 arg=val 对,用等号分割 = 符号,每对之间用空格分隔。不要使用 -- 参数 , 参数之间。yolo predict model=yolov8n.pt imgsz=640 conf=0.25 ✅
yolo predict model yolov8n.pt imgsz 640 conf 0.25 ❌(缺失 =)
yolo predict model=yolov8n.pt, imgsz=640, conf=0.25 ❌(不要使用 ,)
yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25 ❌(不要使用 --)

2.yolov5

2.1.创建conda环境

conda create -n yololv5 python=3.9

通过克隆版本库和建立环境为启动做好准备。这将确保所有必要的要求都已安装。检查 Python>=3.8.0和PyTorch>=1.8准备起飞。

2.2.下载代码和环境

# 下载代码
git clone https://github.com/ultralytics/yolov5  # clone repository
#安装环境
cd yolov5
pip install -r requirements.txt  # install dependencies

2.3.YOLOv5训练、自测和预测的代码及解释

2.3.1.YOLOv5训练代码

python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml  --batch-size 128
  • 可以根据train.py里面对应的参数修改训练参数。
    在这里插入图片描述
  • 需要的话可以修改该文件yolov5/data/hyps/hyp.scratch-low.yaml的超参数进行训练。
    在这里插入图片描述

2.3.2.YOLOv5验证代码

python val.py --data ../data.yaml --weights='./runs/train/exp/weights/best.pt'  --imgsz=640 --conf=0.5 --iou=0.6 --batch-size=16 --device=0

同理可以参照val.py文件中的参数,修改相关参数。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/740997.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

简单聊一聊项目中用反射来做过啥【Java基础题】

1.什么是反射机制 反射允许(在运行时动态地)对封装类的字段、方法、构造函数的信息进行编程访问 在我们的代码中,使用构造器直接生成对象、直接访问对象、对象的成员等方式,是清晰直观的。但在有些场景中,需要在运行时动态地操作这些成员&…

Cisco Packet Tracer模拟器实现路由器的路由配置及网络的安全配置

1. 内容 1. 配置路由器实现多个不同网络间的通信,路由器提供的路由协议包括静态路由协议、RIP动态路由、OSPF动态路由协议等等,训练内容包括路由器的静态路由配置、路由器的RIP动态路由配置、路由器的OSPF动态路由配置以及路由器的路由重分布配置。 2.…

LaneNet 论文阅读

论文链接 Towards End-to-End Lane Detection: an Instance Segmentation Approach 0. Abstract 在本文中,将车道检测问题转化为实例分割问题——其中每个车道形成自己的实例——可以进行端到端训练为了在拟合车道之前对分段车道实例进行参数化,应用基…

2024储能发展趋势

2024年储能发展趋势整体呈现出积极向好的态势。随着全球能源结构的转型和可再生能源的快速发展,储能作为支撑可再生能源并网、提高电网稳定性、推动能源绿色低碳发展的重要技术,其市场需求将持续增长。 具体来说,以下几个方面的趋势值得关注&…

Seata源码流程图

1.第一阶段分支事务的注册 流程图地址:https://www.processon.com/view/link/6108de4be401fd6714ba761d 2.第一阶段开启全局事务 流程图地址:https://www.processon.com/view/link/6108de13e0b34d3e35b8e4ef 3.第二阶段全局事务的提交 流程图地址…

使用UIKit调用 SwiftUI

要使用UIKit调用SwiftUI,你需要在UIKit项目中使用SwiftUI来构建你的视图。你可以通过创建一个新的SwiftUI View并将其包装在UIHostingController中来实现这一点。下面是一个简单的示例: 首先,创建一个新的SwiftUI View: import …

Kafka生产消费实战-JAVA

Kafka生产消费实战-JAVA 文章目录 Kafka生产消费实战-JAVA生产者代码消费者代码消费者代码扩展Consumer消费offset查询Consumer消费顺序Kafka的三种语义 生产者代码 public static void main(String[] args) {Properties prop new Properties();// 指定broker地址prop.put(&q…

SpringBoot总结-基本概念和快速入门

原创作者:田超凡(程序员田宝宝) 版权所有,转载请注明原作者,严禁复制转载 一、SpringBoot介绍 1.1、SpringBoot简介 SpringBoot 是一个快速开发的框架, 封装了Maven常用依赖、能够快速的整合第三方框架&#xff1b…

Qt教程 — 1.1 Linux下安装Qt

目录 1 下载Qt 1.1 官方下载 1.2 百度网盘下载 1.3 Linux虚拟机终端下载 2 Qt安装 3 安装相关依赖 4 测试安装 1 下载Qt 1.1 官方下载 通过官网下载对应版本,本文选择的版本为qt-opensource-linux-x64-5.12.12,Qt官方下载链接:htt…

2024济南酵素展,山东酵素食品展,中国养生健康展,发酵展

发展酵素产业,助力全民健康,第六届山东国际酵素产业展览会5月27日开幕; 2024第6届中国(济南)国际酵素产业展览会 The 2024 sixth China (Jinan) International enzyme industry Expo 举办时间:2024年05月…

uni-app开发介绍

uni-app是一款基于Vue.js的跨平台开发框架,可以一次编写,多端运行,包括iOS、Android、H5、小程序等多个平台。它将前端开发与跨平台开发结合起来,使开发者可以快速构建多端应用。 uni-app具有以下几个特点: 开发便捷&…

微信小程序(一)

WebView app.是全局配置&#xff0c;app.json是全局配置文件&#xff0c;在页面的.json配置文件中的配置会覆盖我们全局的配置 快捷键&#xff1a; .box 敲回车 ----- <view class"box"></view> .row*8 敲回车&#xff1a; .row{$}*8 敲回车 案例1&…

自然语言处理(NLP)—— 语义关系提取

语义关系是指名词或名词短语之间的联系。这些关系可以是表面形式&#xff08;名词性实体&#xff09;之间的联系&#xff0c;也可以是知识工程中概念之间的联系。在自然语言处理&#xff08;NLP&#xff09;和文本挖掘领域&#xff0c;识别和理解这些语义关系对于信息提取、知识…

linux系统docker容器编写dockerfile文件

Docker file介绍 Docker file官网构建三步骤docker file构建过程docker file内容基础知识docker执行dockerfile的大致流程 dockerfile常用保留字指令RUNEXPOSEWORKDIRUSERMAINTAINERENVADDCOPYVOLUMEFROMCMDENTRYPOINT总结 Docker file docker file是用来构建docker镜像的文本文…

openstack rocky版手动搭建

实验环境 系统&#xff1a;CentOS-7-x86_64-DVD-1804 实验环境&#xff1a;vmware 网络&#xff1a;桥接模式----1块网卡---静态IP hostnameip功能controller192.168.20.205管理节点compute192.168.20.215计算节点 &#xff08;一&#xff09;环境设置&#xff0c;所有节点…

力扣每日一题 在受污染的二叉树中查找元素 哈希 DFS 二进制

Problem: 1261. 在受污染的二叉树中查找元素 思路 &#x1f468;‍&#x1f3eb; 灵神题解 &#x1f496; 二进制 时间复杂度&#xff1a;初始化为 O ( 1 ) O(1) O(1)&#xff1b;find 为 O ( m i n ( h , l o g 2 t a r g e t ) O(min(h,log_2target) O(min(h,log2​targ…

数字孪生与智慧城市:实现城市治理现代化的新路径

随着信息技术的迅猛发展&#xff0c;智慧城市已成为城市发展的必然趋势。数字孪生技术作为智慧城市建设的重要支撑&#xff0c;以其独特的优势为城市治理现代化提供了新的路径。本文将探讨数字孪生技术在智慧城市中的应用&#xff0c;以及如何实现城市治理的现代化。 一、数字…

Python 导入Excel三维坐标数据 生成三维曲面地形图(体) 5-3、线条平滑曲面且可通过面观察柱体变化(三)

环境和包: 环境 python:python-3.12.0-amd64包: matplotlib 3.8.2 pandas 2.1.4 openpyxl 3.1.2 scipy 1.12.0 代码: import pandas as pd import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D from scipy.interpolate import griddata fro…

leetcode2864--最大二进制奇数

1. 题意 给二进制串&#xff0c;求重新排列后的最大串。 2. 题解 统计1个数&#xff0c;将 C n t − 1 Cnt-1 Cnt−1个1放开头&#xff0c;其他除第0位都是0。 class Solution { public:string maximumOddBinaryNumber(string s) {int cnt count(s.begin(), s.end(), 1);r…

C#,红黑树(Red-Black Tree)的构造,插入、删除及修复、查找的算法与源代码

1 红黑树(Red-Black Tree) 如果二叉搜索树满足以下红黑属性,则它是红黑树: 每个节点不是红色就是黑色。根是黑色的。每片叶子(无)都是黑色的。如果一个节点是红色的,那么它的两个子节点都是黑色的。对于每个节点,从节点到后代叶的所有路径都包含相同数量的黑色节点。红…