利用云端GPU训练/自制数据集及训练
云端GPU见链接
https://www.bilibili.com/video/BV1tf4y1t7ru?p=9&vd_source=f1544a3e197cb266f98d4beab4545b3e
正篇：
可以谷歌搜索：下仿真数据集
synthetic data object detection github
一、看github官方介绍：
训练自定义数据集：
步骤：
1、创建数据集自定义文件：
我们在程序中也可看到：
parser.add_argument('--data', type=str, default=ROOT / 'data/coco128.yaml', help='dataset.yaml path')
data这里指定的也是先接入 数据集自定义文件（yaml）
2、创建标签：
可以使用labelling
官网推荐 CVAT makesense.ai
我们以makesense.ai为例子
2.1 上传图片：
2.2 选择目标检测还是图像识别：
2.3 选择上传标签文件或直接开始：
我们新建一个txt文件 名为laibels
可以点击此处额外添加标签
**可以 选择Run AI locally **
基于coco 或者pose NET
**2.4 开始标注：**右侧选择矩形 start label可以选择
2.5 用AI试一下：
使用他们的yolov5模型 模型下载失败了，，估计是网络问题（）。
2.6 看up的把：
可以看到AI给自动框选了
**2.7 导出标注数据：**选择输出yolo模型的样式
2.8 查看导出的标注数据：
压缩文件内含有的就是所有图片的标注数据
包括类 位置
示例：
2.9 修改标注文件路径：
一定要创建一个images文件夹
一定要创建一个对应的labels文件夹
把图片、下载的标注放到对应的train
二、编写yal文件：
# YOLOv5 by Ultralytics, GPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Example usage: python train.py --data coco128.yaml
# parent
# ├── yolov5
# └── datasets
# └── coco128 ← downloads here (7 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../biaozhu_deshujuji # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/train # val images (relative to 'path') 128 images
test: # test images (optional)
# Classes
names:
0: car
1: person
# Download script/URL (optional)
download: https://ultralytics.com/assets/coco128.zip
//这里可以删掉//
这里漏了个 2:bike
代码里编写
parser.add_argument('--data', type=str, default=ROOT / 'models\my_own_data', help='dataset.yaml path')
三、训练：
训练结果在exp11
四、检验：
修改detect文件
取最好的权重
以训练集为数据集
parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs\train\exp11\weights\best.pt', help='model path or triton URL')
parser.add_argument('--source', type=str, default=ROOT / 'biaozhu_deshujuji\images\train', help='file/dir/URL/glob/screen/0(webcam)')
说我语法错误：
*一定不要忘记两个*
parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs\\train\\exp11\\weights\\best.pt', help='model path or triton URL')
parser.add_argument('--source', type=str, default=ROOT / 'biaozhu_deshujuji\\images\\train', help='file/dir/URL/glob/screen/0(webcam)')
这样就好了
Results saved to runs\detect\exp15
训练了个寂寞
另外我们也可以用/
parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs/train/exp11/weights/best.pt', help='model path or triton URL')
parser.add_argument('--source', type=str, default=ROOT / 'biaozhu_deshujuji/images/train', help='file/dir/URL/glob/screen/0(webcam)')