当前位置：首页 > wzjs >正文

绑定网站域名怎么做下列是网页制作软件

wzjs 2025/9/18 2:04:53

绑定网站域名怎么做,下列是网页制作软件,在线设计印章,标识标牌制作设计一、本地环境配置 （1）本地创建虚拟环境 （2）下载项目到本地 （3）安装依赖 （4）测试一下二、电脑没有GPU训练不了怎么办？【不用本地环境】 （1&#xff0…

一、本地环境配置

（1）本地创建虚拟环境

（2）下载项目到本地

（3）安装依赖

（4）测试一下

二、电脑没有GPU训练不了怎么办？【不用本地环境】

（1）创建服务器实例

（2）上传项目

（3）创建环境

（4）测试一下

三、分类任务

（1）模型训练

（2）模型预测

（3）使用自己创建的数据集做训练

创建数据集

模型训练

模型预测

四、目标检测任务

(1)如何使用/预测？

(2)如何创建用于检测任务的数据集？

(3)模型训练

(4)使用模型进行检测

五、实例分割任务

（1）创建数据集

（2）模型训练(这里先使用项目自带的coco128数据集)

（3）模型预测

六、总结

一、本地环境配置

（1）本地创建虚拟环境

参考教程：https://blog.csdn.net/qq_73704268/article/details/145854625

创建一个虚拟环境用于本yolov5的项目，这里我已经创建好啦

（2）下载项目到本地

项目地址：

code: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

使用git命令或者直接下载压缩包将项目clone到本地

（3）安装依赖

在pycharm中打开项目，选择yolov5的环境，打开pycharm终端，输入命令 pip install -r requirements.txt

Python项目依赖管理：requirements.txt与environment.yml_environment.yml和requirements.txt-CSDN博客

这样就不用一个个安装库了！！

这里需要注意 torch

因为是pytorch框架，这里要求torch版本大于1.8.0，要不然不好用；

如果电脑带有GPU，会自动下载带有CUDA的torch，没有GPU会下载CPU版本的torch;

在使用模型进行检测的时候是没有任何区别的，但是CPU版本的torch是训练不了模型的（太慢了！！！！）

（4）测试一下

以检测任务为例子，找到detect.py

运行这个代码，用已经训练好的模型对data/images下的图片进行检测，可以直接在pycharm运行，运行之后检测结果存储在了

点进去看一下：

二、电脑没有GPU训练不了怎么办？【不用本地环境】

（1）创建服务器实例

这里给大家推荐Autodl服务器租用平台，可以先看这篇文章了解一下，讲的很详细AutoDL使用教程：1）创建实例 2）配置环境+上传数据 3）PyCharm2021.3专业版下载安装与远程连接完整步骤 4）实时查看tensorboard曲线情况-CSDN博客

这里是我创建的实例：

打开

打开终端

（2）上传项目

我这里已经上传好了，可以直接把clone下的项目压缩包拖到左侧目录区域，使用命令

unzip yolov5-master.zip 就可以解压项目

（3）创建环境

默认是在base环境中的，但是建议大家再创建一个虚拟环境，因为base环境有时候我们会权限不够【具体步骤和之前在本地的步骤是一样的】

激活你的环境安装好依赖，就可以在yolov5的环境下运行项目了

（4）测试一下

学习一个终端命令： python detect.py --source 11.png 【python + 要运行的py文件 --source +输入图像路径】

运行结果：

根据输出结果知道检测的结果存在了 runs/detect/exps里面，打开

三、分类任务

（1）模型训练

建议大家租用GPU训练比较好【花了钱的东西就是好用的哈哈，我的电脑也有GPU但是训练起来还是不如租来的快】

输入命令：python classify/train.py --model yolov5-cls.pt --data cifar10 --epochs 5

--model yolov5-cls.pt：指定模型文件。yolov5-cls.pt 是 YOLOv5 的分类模型权重文件，用于初始化训练。如果你是第一次训练，可能需要下载预训练权重文件。

--data cifar10：指定数据集。cifar10 是一个常用的小型图像分类数据集，包含 10 个类别，每个类别有 6000 张 32×32 的彩色图像。

--epochs 5：指定训练的轮数（epoch）。这里设置为 5 轮，表示模型会在整个数据集上训练 5 次。

输出结果如下：

可以看到5个epoch分别的输出结果，第二列是训练需要的GPU大小【这里只用了1.7G的】，第三列是在训练集上的损失【逐渐减小】，第四列是在测试集上的损失【逐渐减小】，第五列是精度大小【逐渐上升】

这里显示了模型训练的结果保存到了那个文件夹下：

这里显示了模型训练的参数保存到了哪个文件目录下：

best.pt:表示训练的5轮中效果最好的那一轮的参数

last.pt:表示训练5轮中的最后一轮的参数是什么

【注意：best.pt不一定等于last.pt,因为模型可能过拟合现象，但是我们训练的这次是相等的，因为明显5轮训练不够，所有一般我们都直接使用best.pt里面的参数】

（2）模型预测

使用我们刚刚训练好的模型进行对一张图片的预测，

直接使用命令： python classify/predict.py --source 22.jpg 用的是yolo自己训练好的模型参数，而不是我们自己训练的参数。

所以我们应该指定模型参数用的是哪个，找到刚刚运行结果输出的模型参数保存路径：python classify/predict.py --weights runs/train-cls/exp8/weights/best.pt --source 22.jpg

结果：

为什么没有person?y因为训练的轮数太少了，并且我们的5轮中不一定有人的图像标签，模型还不知道人长什么样子

（3）使用自己创建的数据集做训练

创建数据集

首先你要了解yolov5自己训练使用的数据集目录结构长什么样子，以cifar10为例

具体图像的命名规则：

了解这些，我们来创建一个自己的数据集，以猫狗分类为例子；

①在datasets文件夹下创建一个文件夹，命名为jundogcat：

②在jundogcat文件夹下创建一个train文件夹和一个test文件夹

③在test文件夹下建立两个文件夹： cat和dog【图像标签名称】

④按照命名规则放入具体的图像：

trian和test的一样，通常train里面的图像要比test的要多

这样我们就创建了一个自己的数据集，用于猫狗分类！！！将数据集压缩上传到服务器上解压就可以使用啦

模型训练

接下来使用我们自己创建的数据集对模型进行训练

输入命令python classify/train.py --model yolov5-cls.pt --data ../datasets/jundogcat --epochs 5

【这里data的目录前面有两个. 是因为datasets这个文件夹和yolov5-master项目是平级的，所以我们要先退出yolov5-master才可以进入datasets】

记住模型权重路径

模型预测

接下来使用我们刚刚训练好的模型进行预测，使用这个图片

输入命令： python classify/predict.py --weights runs/train-cls/exp9/weights/best.pt --source data/images/dogclass.jpg

打开这个路径可以查看预测结果：

0.88 dog 0.12 cat，模型成功预测！！

四、目标检测任务

(1)如何使用/预测？

运行命令：python detect.py --source data/images/bus.jpg

在runs/detect/exp4 查看检测结果：

可以看到红线框出了bus这辆车

代码如何预测边界框的呢？

(x1, y1): 左上角坐标
(x2, y2): 右下角坐标

(2)如何创建用于检测任务的数据集？

yolo目标检测数据集标注-CSDN博客

安装上面的博客教程来就好，将创建的数据集改个名字（jundogcatyolo）拷贝到服务器：

记得把这个data.yaml文件拷贝到 yolo-master项目文件的data 目录下：

仿照这里其他原有的任意一个数据集的yaml修改data.yaml

原来的data.yaml：

参考coco128.yaml:

修改后的yaml文件：

至此就可以使用数据集进行训练啦

(3)模型训练

确保路径在yolo-master下

运行命令： python train.py --weights yolov5s.pt --img 640 --batch 16 --data ./data/data.yaml --epoch 5

--weights yolov5s.pt：使用预训练的 YOLOv5 小型模型（yolov5s.pt）作为权重进行训练。
--img 640：将输入图像的尺寸设置为 640x640。【因为我们数据集都是640*640的】
--batch 16：设置每个批次的图像数量为 16。
--data ./data/data.yaml：指定数据集的 .yaml 配置文件，data.yaml 文件中应该定义数据集的路径以及类别。
--epoch 5：训练 5 个周期（epoch）。

P为精度值，R为召回率，可以看到对cat的切分比较好（P=0.813）

打开 runs/train/exp3看看

模型参数也保存在了 runs/train/exp3

(4)使用模型进行检测

刚刚训练的模型参数保存在了 runs/train/exp3

对这张图片进行检测

所以运行命令：

python detect.py --source ./data/images/catdog-d.jpg --weights runs/train/exp3/weights/best.pt

进入runs/detect/exp5查看检测结果

！！！可以看到检测结果并不是很好，很正常，毕竟我们的数据集大小了，并且只训练了5个epoch

五、实例分割任务

（1）创建数据集

使用自己的数据集的时候也需要对图像进行标注，这里看博客

yolo目标检测、实例分割数据集标注-CSDN博客

（2）模型训练(这里先使用项目自带的coco128数据集)

输入命令：

python segment/train.py --weights yolov5s-seg.pt --data coco128-seg.yaml --epochs 5

第二列可以看到class为128【因为coco128有128个类别】，模型参数保存到了runs/train-seg/exp5中

（3）模型预测

输入命令： python segment/predict.py --img 320 --weights runs/train-seg/exp5/weights/best.pt --source data/images/catdog-d.jpg