Начало

Эта страница содержит базовое руководство по использованию YOLODetection.

Подробную информацию об установке см. в INSTALL.md.

Модель обучения

YOLODetection позволяет выполнять обучение на одной или нескольких видеокартах. Все выходные данные (файлы журналов и контрольные точки) будут сохранены в рабочем каталоге, который указан в файле конфигурации с помощью параметра work_dir.

Важно: По умолчанию в конфигурационном файле установлена скорость обучения 1 для GPU и размер мини-пакета 2, а общее количество мини-партий составляет 64.

В соответствии с правилом косинусного убывания, если вы используете разные GPU или изображения для каждого GPU, вам необходимо настроить скорость обучения пропорционально размеру мини-партии. Это определяется параметрами batch_size и subdivisions в файле конфигурации.

Обучение с использованием GPU

python tools/train.py ${CONFIG_FILE}

Если вы хотите указать рабочий каталог в команде, вы можете добавить параметр --work_dir ${YOUR_WORK_DIR}. Например, для обучения модели YOLOv4:

python tools/train.py cfg/yolov4_coco_100e.py --device ${device} --validate

Обучение на указанном GPU

python tools/train.py ${CONFIG_FILE} --device ${device} [optional arguments]

Например, для обучения модели YOLOv4:

python tools/train.py cfg/yolov4_coco_100e.py --device 0,1,2 --validate

Необязательные параметры:

• --validate (настоятельно рекомендуется): Выполнять оценку во время каждой эпохи обучения k (по умолчанию 1, можно изменить таким образом this).

• --work_dir ${WORK_DIR}: Переопределить рабочий каталог, указанный в файле конфигурации.

• --device ${device}: Указать устройство для обучения, 0 или 0, 1, 2, 3 или cpu, по умолчанию используются все.

• --resume_from ${CHECKPOINT_FILE}: Возобновить обучение с ранее сохранённой контрольной точки.

• --multi-scale: Масштабирование с несколькими масштабами, диапазон размеров составляет +/- 50% от размера тренировочных изображений.

Разница между resume_from и load_from:

resume_from загружает веса модели и состояние оптимизатора, и обучение также продолжается с указанной контрольной точки. Обычно это используется для возобновления прерванного обучения. load_from только загружает веса модели, и обучение начинается с эпохи 0. Обычно это используется для тонкой настройки.

Высокоуровневый API-интерфейс для тестирования изображений

Вот пример построения модели и тестирования заданного изображения.

from yolodet.apis.inference import inference_detector,init_detector,show_result
import os

config_file ='cfg/yolov4_gpu.py'
checkpoint_file ='work_dirs/yolov4/latest.pth'

# построить модель из файла конфигурации и файла контрольной точки
model = init_detector(config_file, checkpoint_file, device='cuda:0')

# протестировать одно изображение и показать результаты
img ='test.jpg' # или img = mmcv.imread(img), которое будет загружено только один раз
result,t = inference_detector(model, img)
print('%s Done , object num : %s .time:(%.3fs)' % (img,len(result), t))
# визуализировать результаты в новом окне
show_result(img, result, model.CLASSES)