【玄铁杯第三届RISC-V应用创新大赛】螺丝分类模型训练，调试优化，YOLOv5目标检测分类

md-llama-com · 发表于2023-11-12 18:49

【玄铁杯第三届RISC-V应用创新大赛】螺丝分类模型训练，调试优化，YOLOv5目标检测分类 [复制链接]

这一章详细介绍了如何从0到1训练属于自己的图像分类模型

**目录 (Table of Contents)**

[TOCM]

```flow
st=>start: anaconda环境搭建
op=>operation: yolov5下载
op2=>operation: 素材整理
op3=>operation: 模型训练
e=>end: 效果预测

st->op->op2->op3->e

```

# anaconda环境搭建

>Anaconda是一个流行的Python数据科学平台，提供了一个集成的开发环境和工具集，用于数据分析、科学计算和机器学习任务。它包含了许多常用的Python库和工具，使得数据科学家能够更轻松地进行开发、部署和管理数据科学项目。

我们这里要用到Jupyter Notebook; Yolov5 5.0; 还有PyTorch。

首先安装anaconda [官网地址](https://www.anaconda.com/)

安装完成后，conda可以创建多个运行环境，默认环境是base，每次进入时记得更改环境，安装需要插件前，务必检测环境是否正确。

安装完毕检测anaconda是否加入环境变量，如果没有加入环境变量需要手动添加。

**如下图所示**

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752201_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>004.2 anaconda环境变量.PNG</strong> <em class="xg1">(63.61 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752201" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752201&handlekey=savephoto_752201">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

添加完环境变量后，打开CMD，输入`conda info` 能查看当前conda版本

下一步新建环境，这里我新建的环境名为`yolo`, 因为yolov5需要运行在Python3.8中，所以这里新建时要有所说明，否则会安装最新版本Python

在CMD中输入如下命令

`conda create -n yolo python=3 .8`

完成创建一个名为yolo的 py3.8 的环境，如下图所示

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752186_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>001 anaconda环境搭配.PNG</strong> <em class="xg1">(29.79 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752186" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752186&handlekey=savephoto_752186">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

如果后期新建环境太多，忘记了要进入哪个环境，可以使用`conda info -e`这个命令查看已经新建的环境，如上图所示。

完成新建后使用`conda activate yolo`进入新环境如下图所示

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752203_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>002 进入新建环境.PNG</strong> <em class="xg1">(1.68 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752203" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752203&handlekey=savephoto_752203">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

使用`conda deactivate`退出当前环境，返回base环境。

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752204" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752204&handlekey=savephoto_752204">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

完成环境安装后，进入yolo环境
这时需要在yolo环境中安装Pytorch训练所需要的页面编辑工具，jupyter notebook。

在yolo环境中输入以下命令安装
`conda install jupyter notebook`

完成安装后在yolo环境中输入`jupyter notebook`即可打开jupyter并自动跳转到浏览器Jupyter页面

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752207_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>004 jupyter安装2.PNG</strong> <em class="xg1">(25.71 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752207" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752207&handlekey=savephoto_752207">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

#yolov5下载

安装过程跟之前文章中一样,注意下载的是V5.0版本
`git clone -b v5.0 https://github.com/ultralytics/yolov5.git`

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752208_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>005 获得YOLOV5.PNG</strong> <em class="xg1">(16.16 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752208" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752208&handlekey=savephoto_752208">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

其次安装yolov5 的以来，在requirement.txt中有具体依赖

如果普通安装容易出现错误，这里使用了阿里云节点的安装

`pip install -i https://mirrors.aliyun.com/pypi/simple/
-r requirements.txt
`

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752209_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>006安装yolov5环境.PNG</strong> <em class="xg1">(54.76 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752209" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752209&handlekey=savephoto_752209">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

###更换Pytorch支持
安装完成后基本就可以开始整理素材了，因为系统以来使用的是CPU训练，我这里有RTX3090TI，所以需要重新安装支持GPU的Pytorch，以实现GPU训练

如下图，在Pytorch官网中选择对应的CUDA核心，复制对应语句命令到yolo环境中执行

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752211_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>007 conda换GPU.PNG</strong> <em class="xg1">(233.52 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752211" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752211&handlekey=savephoto_752211">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

在NV控制面板的系统信息中可以查看CUDA版本

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752213_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>007 conda换GPU2.PNG</strong> <em class="xg1">(48.05 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752213" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752213&handlekey=savephoto_752213">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

完成安装后，在yolo环境下运行`conda list` 可以查看是否成功安装

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752216" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752216&handlekey=savephoto_752216">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

###yolov5 样例测试

打开jupyter notebook，在yolo环境中的yolov5文件夹中打开tutorial.ipynb

根据上面步骤完成测试

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752224" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752224&handlekey=savephoto_752224">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752225_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>010样例测试成功，这里需注意.PNG</strong> <em class="xg1">(515.12 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752225" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752225&handlekey=savephoto_752225">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

###训练可视化工具安装

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752227_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>012训练可视化工具安装.PNG</strong> <em class="xg1">(19.39 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752227" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752227&handlekey=savephoto_752227">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

###wandb安装

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752228_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>013 wandb.PNG</strong> <em class="xg1">(19.6 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752228" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752228&handlekey=savephoto_752228">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

Wandb（全称为"Weights & Biases"）是一个用于训练和跟踪机器学习模型的开源工具。它提供了一套强大的功能，帮助机器学习工程师和研究人员更好地理解、可视化和管理他们的实验和模型。

主要特点和功能：

1. 实验跟踪：Wandb可以跟踪和记录机器学习实验的各个方面，包括超参数、指标、损失函数、模型架构等。它可以自动记录和可视化实验结果，使用户能够轻松地比较不同实验的性能和效果。

2. 可视化工具：Wandb提供了丰富的可视化工具，可以帮助用户更好地理解模型的训练过程和结果。用户可以通过绘制学习曲线、混淆矩阵、特征重要性图等来分析和解释模型的行为。

3. 模型版本控制：Wandb可以帮助用户管理和追踪不同模型的版本。它提供了模型的保存和加载功能，使用户能够方便地共享和重现实验结果。

4. 协作和共享：Wandb提供了协作和共享实验结果的功能。用户可以邀请团队成员来查看和评论实验，也可以将实验结果分享给其他人，以便获得反馈和交流。

5. 集成和扩展性：Wandb可以与各种常见的机器学习框架和工具集成，包括TensorFlow、PyTorch、Scikit-learn等。它也提供了API和命令行界面，使用户能够根据自己的需求扩展和自定义功能。

总之，Wandb是一个用于训练和跟踪机器学习模型的强大工具，它提供了实验跟踪、可视化工具、模型版本控制、协作和共享等功能，帮助用户更好地管理和理解他们的机器学习实验和模型。

###报错解决

如果在官方例程中出现出现torch.meshgrid的错误，可以在yolo.py中加入以下语句，这是个默认设置语句，加入后可忽略错误。

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752230_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>011增加默认设置语句忽略报错.PNG</strong> <em class="xg1">(49.77 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752230" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752230&handlekey=savephoto_752230">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

接下来可以整理训练素材了

#素材整理
素材整理包括：素材收集，素材分类标注
###素材收集
我这里是螺丝，螺母，弹垫，平垫
1.需要用手机1：1画框拍摄素材
2.素材背景注意尽量单调
3.素材背景需要贴合实际运用场景，这样可以在减少素材收集工作的同时确保模型的质量（比如我这里未来在绿色传送带上作业，可以选择绿色背景图片）
4.素材尽可能的多，每种类型尽量超过1000张
5.一张照片中，目标零件尽可能的少，如果目标数量太多会导致训练时AI难判定图框。如果一张照片中训练目标过多，则需要以高清图片的方式注入模型进行训练，否则会丢失细节，导致数据集质量下降，而高清图片在模型训练中占用的显存会非常巨大，电脑会带不动，或者训练会特别慢。

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752223_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>019训练集标注.PNG</strong> <em class="xg1">(667.46 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752223" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752223&handlekey=savephoto_752223">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

###素材标注
>为了完成训练工作，我们需要将训练的图片按照指定的格式进行整理详细参照yolov5官方指南:
https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

首先新建文件夹，所有文件放在yolo_A文件夹下，子文件夹images用来存放样本图片，labels文件夹用来存储标注信息。A.yaml文件用来存放一些目录信息和标志物分类。

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752238_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>新建文件夹.png</strong> <em class="xg1">(15.9 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752238" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752238&handlekey=savephoto_752238">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

然后下载标注软件
https://github.com/tzutalin/labellmg

在Releases / v1.8.1中直接下载压缩包解压

运行labelImg.exe

OpenDir如下图选择images文件夹

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752245_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>选择images.png</strong> <em class="xg1">(120.76 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752245" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752245&handlekey=savephoto_752245">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

ChangeSaveDir如下图选择labels文件夹

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752246_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>选择labels.png</strong> <em class="xg1">(126.18 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752246" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752246&handlekey=savephoto_752246">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

view选择蓝色三项

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752247" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752247&handlekey=savephoto_752247">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

主界面Save按钮下方按钮点击以下选择YOLO

这时可以用键盘`W`按键框选目标，并输入目标名称。
**注意目标名称最好是英文**
**注意框选尽量贴合目标，减少不必要的留白**

完成一张图片的标注后按`A`前一张；`D`后一张

注意备份labels文件夹下`classes.txt`文件

完成标注后需要对标注文本进行关联，在`A.yaml`中输入标注信息。

```
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/imag
train: C:/Users/Manda/yolov5/yolov5_A/images/
val: C:/Users/Manda/yolov5/yolov5_A/images/
# number of classes 标注种类数量
nc: 8
# class names 标注名称
names: ['CrossSS','DeepSS','RoundSS','Spring','nut','pad','bolt','AllenSS']
```

至此完成素材准备

###高质量素材
想要获得优质的模型需要，从高质量数据集入手，获得高质量数据集是模型训练的关键。
1.清晰的图片
2.丰富种类的图片
3.丰富视角的图片
4.简单背景的图片
5.随机遮盖的样本图片
6.标注紧凑，无误，留白少

#模型训练
接下来开始模型训练了
在jupyter notebook中，新建一个`Untitled.ipynb`并打开，插入一个新单元格。
```
%load_ext tensorboard
%tensorboard --logdir runs/train
```

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752248_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>插入新单元格.png</strong> <em class="xg1">(49.7 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752248" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752248&handlekey=savephoto_752248">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

运行打开可视化工具

插入新单元格，下载并登录wandb，如果之前登陆过，这里可以跳过
```
%pip install -q wandb
!wandb login
```

插入新单元格，将训练语句填入

```
!python train.py --img 640 --batch 20 --epochs 100 --data ../yolov5_A/A.yaml --weights yolov5l.pt--cache
```
`--img`图片尺寸，以640*640输入，高精度可以选1280，但取决于电脑性能
`--batch`一次置入训练图片数量，这个根据自己电脑性能修改
`--epochs`俗话说训练几轮，初次设定可以600-1000
`--data`数据来源,这里是A.yaml的文件路径
`--weights`权重模型，640像素权重文件分为s,m,l,x；1280像素分为s6,m6,l6,x6。s模型最小x模型最大。

**注意：因为咱们用到是V5.0所以下载的权重模型也要是V5.0的**
[V5.0分支](https://github.com/ultralytics/yolov5/commit/f5b8f7d54c9fa69210da0177fec7ac2d9e4a627c)

`--cache`保存缓存

训练要一段时间，可以在可视化图形工具中查看进度
`http://localhost:6006/`

#效果预测
训练后插入新单元格，进行验证
```
!python detect.py --weights C:/Users/Manda/yolov5/yolov5/runs/train/exp2/weights/last.pt --img 640 --conf 0.45 --source C:/Users/Manda/yolov5/yolov5_A/images/215.jpg
Image(filename='runs/detect/exp2/215.jpg',width=600)
```

`--conf 0.45` 放弃识别概率小于45%的结果
`--weights` 训练结束后会获得新的权重模型，best.pt是效果最好的模型，last.pt是最终模型。最终模型不一定是效果最好的模型，因为随着训练次数的增加，过拟合的概率逐渐增加，AI开始偷懒了。
`--source`以这个图片为测试样品
`Image()`打开图片

<ignore_js_op>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752249" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752249&handlekey=savephoto_752249">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

有很多没识别出来，这时候就需要参考刚刚的可视化图形工具和wandb的结果对训练过程进行微调，优化。

#模型优化
可视化结果介绍
1.Box: 目标方框建立值，越小方框越准
2.0bjectness: 推测为目标检测loss均值，越小目标检测越准
3.Classification: 推测为分类loss均值，越小分类越准
4.Precision:准确率 (找对的除找到的)，越大越好
5.Recall: 召回率(找对的除该找对的) ;越大越好
6.mAP@0.5 & mAP@0.5:0.95: 这里说的挺好，总之就是AP是用Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的闻值，@0.5:0.95表示闻值取0.5:0.05:0.95后取均值。
7.val:训练完测试数据

<ignore_js_op>

<div class="tip tip_4 aimg_tip" id="aimg_752250_menu" style="position: absolute; display: none" disautofocus="true">
<div class="xs0">
<p><strong>results.png</strong> <em class="xg1">(259.42 KB, 下载次数: 0)</em></p>
<p>
<a href="javascript:;" class="loginf" >下载附件</a>

<a href="javascript:;" onclick="showWindow(this.id, this.getAttribute('url'), 'get', 0);" id="savephoto_752250" url="home.php?mod=spacecp&ac=album&op=saveforumphoto&aid=752250&handlekey=savephoto_752250">保存到相册</a>

</p>

</div>
<div class="tip_horn"></div>
</div>

</ignore_js_op>

我这里因为样品少，只有200张，平均每类只有80个样品，所以Classification与0bjectness前期抖动剧烈，要想让模型效果更换需要增加样品数量。

###[最佳训练效果参考](https://blog.csdn.net/flyfish1986/article/details/120704968)

#END

吾妻思萌 · 发表于2023-11-16 21:54

大哥你这个是用电脑训练的没有RISCV板子啊

chejm · 发表于2023-11-23 10:11

感谢楼主提供的技术分享，先收藏学习再发表个人意见，顶起来

【玄铁杯第三届RISC-V应用创新大赛】螺丝分类模型训练，调试优化，YOLOv5目标检测分类 [复制链接]

最新回复