粉丝1907获赞4650

今天我们来开发一个简单的道路车辆分析系统,首先标注出路面上不同类型车辆的图片,送入车辆检测模型训练,这样便可以识别出路面不同类型的车辆, 再标注出同一辆车在路面不同位置的图片进行训练,这样便可以跟踪同一辆车在画面中的位置,再将画面中的点映射到地图上, 这样便可以获取车辆的经纬度坐标,从而算出每辆车的行驶速度。老样子圆满已开源,课程已同步更新!

给他一个优乐目标检测系统,他能顺利毕业。哈喽,各位小伙伴,今天我们演示必设基于深度学习的目标检测系统,可用于车辆、行人目标检测,各种检测系统都行。 我们点击进入主程序,然后可以进行图片检测,我们随便拿一张图片进行检测, 这里我们拿官网的照片来, 这里面检测出他的视频检测,我们拿这个视频检测, 我们这里可以查看他的检测流量, 他的每一针的数量。 嗯,这里可以改,比如说人流、车流都行,这里没有改, 如果不想看的话可以放掉,这里可以暂停, 我们看系统说明书,这里有介绍的。好的,这期视频讲讲解到这里,谢谢观看。

uob 八是一个强大而灵活的目标检测和图像分割工具,提供了两个最好的功能,最新的 sot 技术使用和比较所有以前 uo 版本的能力,并且它可以在大型数据集上进行训练,能够在各种硬件平台上运行, 从 cpu 到 gpu。 此外还包括许多其他创新向新的骨干网络,新的 enter free 检测头和新的损失函数。

今天给大家介绍一个鸡蛋计数器的项目,使用 opencv 和优乐 v 八检测鸡蛋个数,能够高效、准确、安全、可靠的完成鸡蛋个数的统计工作。 ulov 八是一个使用配套取框架创建和训练的剪辑神经网络模型,是计算机视觉领域最流行的目标检测算法之一,运行代码来看看结果吧!

华为提出新的优乐算法模型 go toolo, 解决了以往模型中存在的信息融合的问题,在 coco 二零一七数据集上获得了出色的百分之三十九点九的 ap, 并在 t 四 gpu 上达到了每秒一千零三十帧的速度,超过了之前的 sot 模型。 unif 六杠三零 n, 其 f p s 相似,但性能提高了加百分之二点四。具体看,该模型提供了一种先进 together and distribute 机制,通过卷机和自注意力操作实现。它增强了多尺度特征融合能力,并在所有模型尺度上实现了延迟和准确性的理想平衡。此外,作者首次在优楼系列中实施了 mae 风格的预训练,使优楼系列模型能够从无监督预训练中受益。

大家好,今天要讲的内容是基于优乐 v 八训练一个安全帽佩戴的目标检测模型。 在本节课中,我们将使用 ulo v 八提供的 python 接口训练一个佩戴安全帽的目标检测模型。完成模型的训练后,使用这个模型识别图像和视频中的人物是否佩戴了安全帽。 首先需要准备训练数据,最简单的方法就是在开购平台搜索相关的数据。打开开购平台,搜索 safe, tea helmet 或者 worker safety 等等,可以找到相应的训练数据。 这里需要注意数据格式,例如 safety helmet 这份数据的格式是 pasco voc, 而 sat safety 这份数据的格式是 yolo v 八,前者需要将数据转为 yolo 格式,后者可以直接使用。 我们选择 set safety 这份数据下载后可以直接使用。 将下载的数据解压在 c s s data 文件夹中。春运保存了两千六百零五个训练数据, valid 保存了一百一十四个验证数据, test 保存了八十二个测试数据。 打开春雨文件夹,其中 image 文件夹保存了图片数据, levels 文件夹保存了数据的标记结果,标记格式为 you 格式。同一个数据的数据名和标记名是相同的,可以对应上 我们随意打开一个数据图片和对应的标记数据。简单来说,每一行表示一个目标物体,在标记数据中包括了十四行,因此对于这个图片数据会标记十四 这个目标物体。 每一行的数据格式如下,第一列是 class id 代表类别的编号。第二列和第三列是 x center 和 y center, 代表物体边界框中心点的坐标。 第四列和第五列是 white 和 height, 代表物体边界框的宽度和高度。这四个值的取值都在零到一之间。 我们以图片中的第一个目标物体来说明,也就是红框标记的蓝色安全帽,它的标记数据是第一行零,零点四九八,零点一一零等等。这里的编号零 对应类别,安全帽 边界框中心点的坐标是相对于图像宽度和高度的比例。边界框的宽度和高度同样是相对于图像的宽度和高度的比例。 例如,这个蓝色安全帽边界框中心点的 x 坐标是零点四九八乘以 image y s。 中心点的外坐标是零点一一零乘以 image height。 物体边界框的宽度和高度分别为零点零二一乘以 image white 和零点零六二乘以 image height。 另外,从这张 图片可以看出,每个图片可以分为多张子图,每个子图也包括了多个目标物体。因此这份数据虽然只有两千六百零五张图片,但实际上可以有两万多个标记。结果, 使用康大 create 创建一个名为 safe head 的新 python 环境,其中 python 版本选择三点十, 创建后激活环境,并输入 pipe install autolitics 安装 yolo。 完成。安装后需要编写一个模型训练使用 的压帽配置文件,文件取名为 save head 点压帽。该文件说明了数据的地址和待训练的类别。 数据的地址有三个路径, train 对应训练数据, v l 对应验证数据, test 对应测试数据。 接着定义模型的类别数量。 n c 冒号十代表十个带检测的类别。这十个类别的名称保存在 names 中,这里我们重点关注 heart head 戴安全帽和 no heart head 未戴安全帽这两个类别。 编写模型的训练代码 ulo trim, 点 p y 一行表示导入 ulo 模块。 第二行加载 yolo 的预训练模型 yolo v 八 n 点 p t。 这个模型使用了 coco 数据级训练,是通用的目标检测模型,我们将它作为基础模型,在该模型的基础上训练安全帽。模型 第三行代码表示训练自定义的数据级,数据的配置,保存在 save head 点压没中。已 pose 等于一百,表示一百轮迭代。 最后串一点 v a r 表示使用验证机验证效果。 完成训练代码的编写后, 运行训练程序 ulo tree, 点 p y。 从运行后打印的调制信息中可以看到,我们当前的环境是 ultralitics ulo v 八版本 python 三点十 c p u 环境进行训练。 训练需要持续一段时间,每个已 post 可能需要训练三到五分钟,整体训练一个下午基本就可以完成了。 完成训练后,会在当前目录下的 runs detect train 路径下保存训练过程中的数据和模型文件,其中 waits 文件夹中保存了模型文件。 接下来我们使用 bass 的点 pt 进行测试。 编写测试代码 you low test 点 p y。 首先导入训练好的模型 nice 点 p t。 这里我们可以随意找一些测试数据,也可以自己构造一些数据,图片数据和视频数据都是可以的,直接将数据传入接口就可以了。 另外,在识别我自己构造的数据时,传入了 classes, 等于零二,它代表只输出零和二这两个类别, 也就是指识别安全帽是否佩戴 linewise 等于三十,表示指定识别框的字体大小为三十。 运行测试程序可以看到模型识别数据的过程,视频会一针一针的识别,识别结果会保存在当前目录下的 runes detect predict 中。 打开结果文件夹,可以看到图片和视频的识别结果, 其中视频会将每一针都识别好。从视频中可以看到人物安全帽、安全衣、挖掘机都被识别出来了。 另外,在识别时可以只选择一部分需要 识别的类型,例如在我自己构造的数据中,只识别是否佩戴安全帽这两个类别。我们可以看到模型准确地将结果识别出来了。 那么到这里,基于 ulo v 八训练,一个安全帽佩戴的目标检测模型就讲完了,感谢大家的观看,我们下节课再会。

手把手教你 ulov 八推理检测。哈喽,各位小伙伴,上一期我们已经单独安装了,拍照时,接下来我们第二步就是下载 ulov 八原码,这里我已经下载好了,到时候你们再 get up 搜索 ulov 八就行了。 第三步直接安装,要了一百了,依赖要了一百了,依赖在这个类似快这个文件他里面已经写好了,这是官网给出的文,安装里面的拍摄依赖就行了。我们直接进入这个目录进行安装, cnd 打开中断 又激活你的虚拟环境。 c o n d a 一起一起一起优龙 v 八,因为优龙 v 八我之前已经创建过了, 数错了, c one d a a c a c t i v a t activity you will be by 幺六成功就进入了幺六一八的虚拟环境。接下来我们安装那个文件, k p install 二二 a q, 这里等待下载就行了,官网这个文件也给出了安装命令,就是这个, 我们这里等待安装就行了,没什么难度。 好的,这里已经安装成功了。接下来我们用 p y 串打开幺六一八的项目,鼠标右击,这里有个用 p y 串打开这个项目, 第一次打开的话,他这个解析器还没有设置,我们需要设置一下解析器, 这里剪辑器设置, 弹出这个窗口,我们添加解析器设置。之前的视频讲解过了,这里就不详细讲解了。 好的,解析器加载完成了,接下来我们进行用 v 八推理 点开 ulov 八的项目,我们看到有一个文件夹叫 out, 这个点开,然后看到 ulo 要要看到一个 v 八点开,然后他这里有很多,比如说分类啊,目标检测还有分割的,我们主要讲解目标检测,点开这个里,点开这里, 然后这里有训练验证预测的代码,我们首先打开 预测的代码,首先需要改的地方就是这里的,这里就是你那个官网的模型,其中官网的模型我已经下载好了,如果你们需要的话,我我也可以发给你们,如果第一次运行的话,他会自动下载的,我已经运行过了, 然后有了一般的配置文件。在哪里呢?在这个 fig 这里, before 这里, before 点样这里。然后模型的话需要复制这个路径就行了。右击复制它的路径一,一定要复制它的角度路路径,然后把这里复制过来。 ctrl v, 还有一个你要检测的照片,检测的照片用官网的照片,官网的照片在 在这里,这里就是他的官网照片,我们选用这张照片进行推理,也是复制他的绝对路径。复制,然后在配置文件这里粘贴就行了。然后我们直接右击 一运行这个 play 的 play days, 嗯,差点找不到这里路径错了, 你看这里多了一个一删掉,你们复制的时候一定要小心一点, 你看他的预测结果,保持在这个目录下面,我们打开看,在这里 v 八这里,你看他已经检测出来了,我们在 在测试这张卡,复制这张的路径到配置文件这里,这个传送 sos 这里跟 ulov 五的差不多,直接运行 他的结果保存在这里,我们 来看一下结果,你看这里已经预测出来了。好的,这期视频讲到这里,如果配置有问题的话,评论区留言,谢谢,喜欢的帮我点个小爱心,谢谢!



大家好,今天给大家演示一下如何训练深度学习算法模型,这里以 uro v 五检测算法为例,首先我们训练 uro v 五的话,我们可以直接打开 get up, 然后我们直接在这里面 输入 u 勒 v 五, 然后第一个就是我们点进去去看一眼这个仓库, 他就是介绍的一些东西,我们如果想训练算法的话,我们按照哪个地方教他呢?他这里面也是有的,我们看到这个 vik, 然后我们打开它, 然后在这里 three inctrmad, 其实它在前面这个整体的仓库下面,它也是有的,在这里,但是我们从 vik 这里过来的话,其 vik 它就是好多教程,一些文档。然后我们点开 这里就是如何训练,如何用我们自己的数据训练一个三行模型,然后第一步的话提包幺 stat, 然后我们先下载这个功能, 然后安装相应的依赖,这个直接给它可用下来之后 p r p install requirement, 我们可以看一下这个 requirement 的是什么,它里面里面其实就 就是一些酷以及酷的版本的要求,这个其实你 p i p 你这个地方 prp 运动杠。二这个文件就相当于你每一次 prp 执行它,每一次 prp 执行它,这只不过把它写到一个文档里,你一行命令就全部都安装完毕了,是这个意思。 然后我们安装完之后就可以开始一步步进行训练。首先第一步的话我们需要准备数据机,也就是训练数据, 训练数据的话这边一点一第一步是收集数据,收集数据这个其实我们比如说我们可以用摄像头或者用一些手机,然后拍摄不同角度、不同光线的一些图片,如果说这个图片我们收集起来, 某些场景收集起来不太方便,那么可以用下载一些公开的数据机,有些研究机构或者大学,他们会把一些公开的数据机上传到网上,我们可以直接去下载。 然后我们第一步准备完数据级之后,我们开始进行标注, 他这里一一点二,一点三都是介绍标注,他这个标注的话用的是这个工具,我们这边的话不使用他这边建议的这个工具,然后我们使用呃,雷波密,雷波密的话就是这个可以直接搜啊,雷波一没说错, 可以直接用猎豹 ume, 然后按照这这个网址去下载,这边也演示一下,下载就不演示,直接演示这个工具怎么使用, 他生成的那个标志文件已经他已经打开了,然后打开这个软件之后,我们打开我们训练图片所在的路径。 另外就是说一下刚才刚才他这边说 我们可以去使用一些下载一些公开的数据集,公开数据集有一个好处,就是不仅是图片,它里面还有标注文件,我们如果用公开数据集好的时候,我们就不需要再去标注了。 标注的话这里因为我们是用 ulo v 五,所以这边的格式就相当于是我们标注完之后的标注文件,它要用 ulo 的格式,这边选择它,然后这里直接画 矩形框,我们这个的话是口罩和不戴口罩,这里先关掉。还有一个地方录像了, 就是我们这个标注文件下载完之后是这样的,这里面是 class, 也就是我们检测分为哪些类,这是他本身默认,我们这里把它改掉,我们 no, max 是一类, max 是一类,也就是我们这个算法,我们想检测两类,一类是不戴口罩,另一类是戴口罩,哎,不戴口罩的话,这里我们他是排序的,这个默认标签就是零,这是一,如果你后面再有一个就是二, 然后这个时候我们再重新打开它, 然后和刚才一样 打开我们训练图片短带的路径,然后这里还是选择 v u ulo, 然后这里的话因为这个是戴口罩的,所以我们这里就选择 mask, 然后 ctrl s 卡了, 是不是没保存成功?再点一下, 这个应该就保存完毕。然后我们可以去看一下这个图片所在的有没有标准完成。 这就我们刚才那张图片,然后它按住产生的文件的话,它会有一个跟这个图片名字一一对应的一个 pst, 我们打开看一下, 我们看到这个 tst 里面这个一一就是我们刚才说的这里这个是零,这个是一,它是依次往下排的,一就代表这个是 max 的,它戴口罩的, 然后后面这个这个相当于是中心点,中心点的坐标,他中心点的坐标也就是比如这个框,他的中心点是在这个位置,就是你画一个,画一个对角线,然后这边交交界的地方,这是他的中心点的坐标, 然后他后面还有一个,这个是这两个坐标是指检测框的宽和高,检测框的宽就是这个高是这个,然后他这里, 然后他这个地方为什么后面这四个值都是小数?那我们图像不是,我们那个检测框的中心点的坐标肯定不可能是这么小,这里小数的意思是基于图像原始图像的宽高规划的,零到一就是我们这个零点四八 检测框的中心点 x 坐标,真实的 x 坐标是零点四八乘,以我们这个图像的整体的,也就从这到这整体的一个宽,然后这个 中心点的 y 坐标其实是等于零点七九乘,以这个原始图像的 y 后面这个减三框的宽高也是类似,他都是零点二八乘 原始图像的宽,零点二八乘以原始图像的高,这就是这个小数的意思。然后 那个标注图像啊,我们就演示这一张有了,后面我们继续往后看应该怎么去训练。然后这个第二步的话是 select 猫斗, 这里的话有了威武,他是有好几个模型的,这个,恩恩应该是拿啊,这边有这个,恩是拿的。这个 s 是什么?就是从左到右,他这个模型是理解成一次会更加复杂, 参数量会更多,这里也能看到这是四兆、十四兆,然后这是四十一兆,当你参数量越多,他的准确率相应的二十八年,在三十七年也会逐渐的升高。我们这里的话一般就选择优乐 vivos 就好。然后就开始训练,他这边训练的话 那个 usb s 猫的它是我们是用 qq 一二八这个一来进行训练,他,他这里说的比较简单,我们实际我们不按照他们的,我们应该怎么做呢?我们前面标志完图片之后, 我们直接到这模仿 q 一八的数据格式去准备自己的数据机,我们先下载这个,下载这个就直接 we get 这个, 然后这个这个这一行,我们这一行其实是在哪里可以看到啊?我们在 ulv 五里面应该是可以找到的, 然后他这个 data 那里面,他这边有脚本,应该这这里面就有,这应该就是这个网址, 我们就按照这个网址去下载一下,然后我们等会会把这里面的数据切换成我们自己的口罩检测的数据。我们下载完之后我们要修改这个 qq 一二八的这个配置文件。主要修改哪个?主要修改这里面的 cree 跟跟 vl, 就是我们自己的图片。 这里说一下,我们,比如说我们刚才把我们的口罩检测的图片数据全部都给他标注完成了, 标注完成之后,我们要把我们的标注图片,还有标注完之后的产生的标注文件都放在这个 qq 一二八里面,然后 in me 这里,这个 in me 我们要分成 tree 跟 v l, 这样的话就是我们真正的 训练手艺。 vl 的话可以理解成我们这个算法,他每次训练一个一铺置之后,他都会用这里面的图片去做一个验证,验证一下他这次训练的效果。 所以我们一般,嗯,你可以这里面随便放上几几十张就可以了,可以按十九比一,比如说这里面有九百张,然后这里面一百张,这个都比较随意,没有那么严格, 这是硬币。然后 lever 就是我们刚才的标注文件,也是我们要把它放成纯银的 vr, 纯银的 vl, 这里要对应,比如说,呃,前面图片里的 vl 二零一七里有哪些?这里面的标注里面也要跟他一一对应,这就是我们把标注文件和标注图片要放在哪个地方,就放在这个 qq 一二八这里。 我放完之后我们用这个 q 一二八的路径是在这,我们要修改它的这个配置文件,这个就是我们刚才在说的训练图片放在哪个路径, 这个也是他的录音。然后这个 nc 的话我们这里不是一了,这博客是之前写的,这个 nc 我们应该是二, nc 就是 number one plus, 就我们检测几类,我们这里的话是检测不戴口罩跟戴口罩,就刚才那会说的 nomat 跟 mat, 所以这边要改成二, 然后这里环境我要改改一下,改成看一下,直接看一下,就这个 这是我们修改后的,我们这里呢是二,然后我们这个内幕的是 nomaz 跟 maz, 是这样的,就我们这个演示的这个训练的话两例。然后我们 改完之后,这里有说明,把这个长路的这个直接去掉,因为我们刚才是手动下载修改这里的路径,修改分类数目,修改 number, 然后我们修改完这个 qq 一二八点,嗯,拍摄文件之后我们再修改 ulov 五 s, 这个 ulov 五 s 它的路径在哪?它在我们下载的 ulov 五工程里面,应该是在 这里,这里面的 uro vivo s, 你用哪个?刚才我们你用哪一个模型,你要去就要去修改哪一个对应的配置软件,我们刚才是用的 uro vivo s, 所以我们现在就要修改,这, 这里也是只修改它就好, 其他的暂时新手不要动,只需要修改这个 number, 改成二, 然后修改完之后我们就要开始进行训练,在训练之前我们先修改一下这个春点拍粉,这也就是训练脚本,我们要修改哪些地方呢?直接打开一个春点拍粉,一个在外。 一、这个 这就是去年拍的脚本,然后他是根据我们传入的一些参数,这里根据我们传入的参数去进行训练。 首先 ctrl 的话,这里我们是 ulo vivo s, 也就是这里我们要把它这个改成 ulovivo s, 这是 y a m l, 然后这个 data 也是 data, 我们这里是刚才那个 qq 一二八点 y a m l 的路径, 然后一 pose 是一 pose, 一百呗,一 pose 的意思简单理解就是我们那些训练图片,我们不是只用一遍,我们这里一百的话,相当于把训练图片反复的给他用了一百遍,让他效果更好。 这个其实也可以理解,你比如说你一个小孩,你叫他写一二三四五,或者你让一个小孩去背诵课文,你让他只背一,就让他只看一遍的话,他可能记忆的不是牢固,你让他连续看一百遍,那他的记忆会更牢固,所以那个系 这犯法的话,训练效果就会更好啊,白纸三叶子是一夜班。还有这个就看你的服务器的性能,如果你的显卡比较配置比较高,你这里就变得大一点,这里越大越快,一百二十八就相当于他一次会憋屈一百二十八张图片去训练,这配的就快, 如果你的显卡性能比较低的话,你这里如果变大了,他可能会直接会崩溃。训练的时候,所以这个根据你的显卡的性能。 然后这个 receium 的话,就是我们比如说某一次突然间中断了,我们改成数的话,下次你再训练他就从上一次那个地方重新继续开始训练,这就是断点继续训练的意思。然后这个应该是 是十,这个应该是相当于你每训练,我们现在刚才不是设置成了一百个吗?然后如果你这边 c o p r 的你改成十,他就每训练十个一 pro 他都会保存一次你的算法模型。然后这个 tys 显卡, 这里面你用几个显卡?如果别人都没用啊你,你可以全部都用上 dys 在看这 在这里这就是你用哪几张显卡,然后整体的这些参数,如果想详细详细了解它的话, 你可以去网上这种文章都有很多,就详细讲解每一个参数他是代表的什么意思。我们其实有些东西我们都不需要去改,尤其对于新手来讲的话,你们只需要 知道这几个常用的就好,后面等用的多了话,其他地方再去修改。然后修改完这个春典 pat 之后,我们就开始用这个命令去进行训练。我我的习惯是先用这一个命令训练跑起来 看看它有没有报错,如果没有报错的话,我就直接用 nonhab 命令去后台运行,并且生成这个 logo 点 tst, 这样就好了。 然后你训练完,然后你得到藏好模型之后,可以用这个 detect detect 点 python 去进行验证,这个 detect 点 python 也是里面也是有在 good 这这个可以读取我们训练得到的藏獒模型,还有读取相应的图片进行训练。 这个 dt 的点拍呢?它有一个强大之处就是你可以一次 检测一张图片,你也可以把一个图片的目录,比如说一个目录下面放着几百张,你把这个目录传下去,他就会依次去检测里面所有的图片,还可以传视频,这个是比较方便。 以上的话就是 ulov 五训练自己数据级的一个整体的过程。然后最后的话再补充一点,因为刚才是基本上是 对着对照着 get up 上的路径 get up 上的这个步骤去讲解,但其实我们自己用的话,他这里 get up 上,这里是直接 直接这里给他 ctrl 的时候直接就安装,我们可以用自己用,我们可以用 com 的, 因为比如说你在公司里面有一台服务器,你要用,你同事也要用,而你们之间可能要相互训练不一样的算法,负责不一样的项目,那你们每一个算法他的依赖,比如说拍子呀,或者其他一些酷的版本都是不一样的, 这样就会比较容易引起冲突。所以呢我们就可以用康达,康达的话,一句话把它解释的,其实康达他就是相当于在你的服务器里面又起了一个虚拟的环境,然后你所有的东西是在这个虚拟的环境下面去做的,你安装 的这些依赖就这里面安装,这些依赖也都是在这个虚拟环境,这样就相互不冲突。比如说你你用的是一个拍的三点八,而你同事另一个项目用的是拍的二或者什么,那你们都在相应的不同的抗打环境里面,这样就不会引起冲突。你做断法训练的话,这个抗打环境特别好用, 要不然的话有的时候会因为一些酷的版本各种乱七八糟,导致会发生很多错误,这就是整体散发训练的过程。


coming through my shirt keep pushing even though it hurts everyone around me drops i'm never gonna ever stop i won't waste another minute no i won't。

利用优鲁威五家迪士造算法来统计路虎的人流车流。呃,目前这个项目的话就是数据级,采用的是客户数据级,就是官方数据级,当然大家也可以制作自己的数据级进行训练来检测自己的目标。 呃,部署的话,这个目前是部署在这个站三台场系列的开发版上,呃, fps 的话大概是二十左右,当然你也可以部署在这个呃服务器上,或者说本地电脑上。目前项目已经开展,感兴趣的话可以呃来关注一下,谢谢大家。

大家好,今天要讲的内容是快速上手优乐 v 八,进行目标检测。 在本节课中,我们将在 windows 环境部署优乐 v 八,使用优乐 v 八提供的拍摄接口进行目标检测。另外,我也会进一步讲解如何阅读优乐 v 八的原码文件。 ulo 是一个端到端的实时目标检测算法,从他的名字就可以看出, ulo 算法只需要一次前向传播计算,就可以实现图像的多目标检测 做任务。 优乐算法兼顾了识别的准确率和检测速度,因此非常适合在实时检测的应用场景下使用, 例如视频监控、自动驾驶、无人机等领域都可以使用优乐来完成相关的任务。 yolo 算法于二零一六年首次推出,目前已经升级到 v 八版本。简单来说, yolo v 一到 v 三是 yolo 算法原始作者发布的版本,它的主要作者为 joseph redman。 从优乐 v 四开始,后续的升级版本来自不同的作者和团队开发。严格来说, 他们属于优乐系列的精神序作,例如美团、旷世科技等公司的研发团队都有参与其中。 我们可以在 outrelitics 公司的官网上找到 yolo 的各个版本,这些版本都有对应的开源代码。在本节课中,我们将详细介绍 yolo v 八的安装和使用方法。 ulo 模型的安装和部署非常简单,我们使用 conduct crete 创建一个新的拍摄环境,然后激活这个环境,再输入 pipe install ultra ctx, 就完成了 ulo 的安装。 接着在这个康大环境中打开 python, 输入 from autolitics import yolo 这行代码,这里如果不出现错误,就说明完成了 yolo 的安装。 打开 ultralitics 的官网,在 quick star 中可以找到 python 的样例代码。下面我们基于这段样例代码来详细说明 ulo 接口的使用方法。 我们将样例代码的前两行复制过来,第一行表示在代码中导入优乐模块,然后是 model, 等于优乐。 yolo v 八 n 点 yamo, 这句代码表示读取 yolo 的配置文件, 那我们要注意的是官方给出的样例代码中的这个配置文件。 yolo v 八 n 点 yamo 实际上并不在 yolo 的模块中,要用这句代码后也不会从互联网中下载这个文件,这一点可能会给新手带来困惑。 为了弄懂这句代码背后的意义,我们需要找到 altrolytics 模块儿的原代码,并在其中写一些 print 调试语句。最后找到真实的 yama 配置文件进行阅 阅读。 首先找到刚刚在康纳中创建的 ulo v 八环境目录,从中找到 ultralitics 模块, 具体路径是 e n v yellow v 八 lab set packages ultralitics。 继续打开其中的 models yolo 文件夹,然后打开 model 点 p y, 会看到刚刚使用的 yellow 类,这个类继承了 model 类具体的实现。在 model 类中。 从第一句的导入代码可以知道 model 类在 autolitics 下的安真文件夹中的 model 点 py 文件中。 找到这个 model 点 p y 文件后,我们要在它的 unit 函数中加几句 print 调试代码进行进一步的研究。 unit 函数传入的 model 参数代表了配置文件名或模型的名字,我们在 unit 函数的第一句前打印第一个井一标记和 model 的值, 它的下面是一些初始化的代码,我们忽略这些代码。继续向下看, 在 softix 等于 pass model 点儿 softfix 这个位置打印第二个井二标记 和 sophics 的值,然后继续忽略下两行代码。这里要注意 if sophics 音点压木这一句对于样例代码的调用方式会走这个分支,也就是进一步调用 sof 点 new 这个函数。 向下找到 new 函数,函数的第一个 cfg 参数就是我们刚刚传入的 model。 在 new 函数中打印第三个井三标记和 cfg。 下一句代码鸭某 model load c f g 是关键内容,我们可以在 ultralitics 点 n n 点 task 中找到这个函数的实现。 打开 task 点 py 文件,找到 yama model low 的函数,函数传入的 pass 就是刚刚的 cfg 变量。在这个位置打印第四个警次标记和 pass 变量。 观察下一句很复杂的代码,它具体在做什么其实我也没搞明白,实际上这行代码有什么作用也不重要。在下一句 unified pass 后打印第五个标记, 在下面的压模 low 的前打印第六个标记。实际上 ulo 最终读取的配置文件名保存在压模 file 中,这样我们就完成了必要的 print 调试代码 运行程序会得到如下结果,首先打印了标记一传入的文件名是 ulo v 八 n 点压木, 实际上这个文件根本就不存在。其实我也很困惑为什么样例代码要使用一个根本不存在的配置文件,了解其中原因的小伙伴可以留言讨论一下。 接着打印二三四五这几个标记,这说明我们正确的理解了代码的执行流程。 最后打印的标记六, ammo file 这个变量保存了真正调用的配置文件的路径, 按照这个路径 打开对应的文件夹。在 cfg models 下保存了 ulo 各个版本的配置。 v 八是我们当前使用的版本,打开 v 八目录,可以找到我们正在使用的配置文件。 ulo v 八点 yamo, 在这个配置文件中记录着必要的初始化信息,例如 n c 冒号八十代表了模型需要识别的类别,数量是八十。 scales 表示模型的规模。 backbone 是模型的主干,用于特征提取。 pad 是模型最后的决策部分,用于预测物体的类别和边界框。 弄明白 yolo 的配置后,下一句 model 等于 yolo。 yolo v 八 n 点 p t 用于加载模型。 这里要注意模型最初是没有的,依次调用,会从互联网中下载优乐 v 八 n 点 p t 这个模型。 model 点 predict 用于预测结果。这里 bus 点 gpg 是官方给的样例数据,我们可以再找一些其他的测试数据一起进行测试。 另外有兴趣的同学可以进一步使用刚刚的调试方法,在代码中写一些 print 语句调试并理解其他的接口。 还有一点要说明,即使我们最开始不加载压模配置,也可以正常使用模型和预测结果。这个压模配置文件主要是用来训练模型用的 运行程序控制台会打印出运营信息,从信息中可以知道三个图片的结果会保存在当前目录下的 rise detect predict 文件夹中。 将结果图片打开,可以看到 ulo v 八的运行结果,其中在 bus 点 g p g 中识别出了行人、汽车等,在 image g p g 中识别出了行人、风筝等等。 那么到这里快速上手优乐 v 八进行目标检测就讲完了,感谢大家的观看,我们下节课再会。


服务器训练数据及有多快演示 uob 五五点零视频无加速效果, 四千张训练集,一千张验证集,总共五千张, 大约三十秒一轮。 看看训练的相关参数。 batch 是四十五, work 是六十, 厉害的吧, 还在龟速训练吗?找我就对了。