- 综合排序
- 最热优先
- 最新优先
- 来自专栏YOLO大作战
YOLO11-seg分割：如何训练自己的数据集：包裹分割数据集
本文内容：如何训练包裹分割数据集，包装分割数据集（Package Segmentation Dataset）推动的包装分割对于优化物流、加强最后一英里配送、改进制造质量控制以及促进智能城市解决方案至关重要 【前沿论文分享】【训练实战篇】【pose关键点检测】【yolo11-seg分割】为本专栏订阅者提供创新点改进代码，改进网络结构图，方便paper写作！！！ 这个数据集旨在帮助研究人员、开发者和爱好者们进行与包裹识别、分类和处理相关的项目。 该数据集包含了一系列展示不同背景和环境下各种包裹的多样化图片，是训练和评估分割模型的宝贵资源。 数据集结构包装分割数据集的数据分布结构如下：训练集：包含 1920 幅图像及其相应的注释。测试集：由 89 幅图像组成，每幅图像都与各自的注释配对。 标签可视化： 3.如何训练YOLO11-seg模型3.1 修改 package-seg.yaml# Ultralytics YOLO , AGPL-3.0 license# Package-seg dataset
2.2K20编辑于 2024-12-14 - 来自专栏算法工程师的学习日志
Python基础训练100题-11
分享一些Python学习题目 实例051：按位与 实例052：按位或 实例053：按位异或 实例054：位取反、位移动 实例055：按位取反 实例051：按位与 题目：学习使用按位与 & 。 程序分析：0&0=0; 0&1=0; 1&0=0; 1&1=1。 a=0o77 print(a) b=a&3 print(b) b=b&7 print(b) 实例052：按位或 题目：学习使用按位或 | 。 程序分析：0|0=0; 0|1=1; 1|0=1; 1|1=1 a=0o77 print(a|3) print(
26320编辑于 2022-07-27 - 来自专栏YOLO大作战
YOLO11-seg分割如何训练自己的数据集（道路缺陷）
本文内容：如何用自己的数据集（道路缺陷）训练yolo11-seg模型以及训练结果可视化； 1.YOLO11介绍Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建 YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。 Segmentation 官方在COCO数据集上做了更多测试： 2.数据集介绍道路裂纹分割数据集是一个全面的4029张静态图像集合,专门为交通和公共安全研究而设计。 该数据集包括训练、测试和验证集,有助于精确的裂缝检测和分割。 训练集3712张，验证集200张，测试集112张 标签可视化： 3.如何训练YOLO11-seg模型3.1 修改 crack-seg.yaml# Ultralytics YOLO , AGPL-3.0
2.2K10编辑于 2024-10-21 - 来自专栏YOLO大作战
YOLO11教程：如何训练 | 验证 | 测试 自己的数据集源码分享
本文内容：如何训练 | 验证 | 测试 自己的数据集 1.YOLO11介绍Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进 YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。 实现代码ultralytics/nn/modules/block.py1.3 11 Detect介绍分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：实现代码 ultralytics/nn/modules/head.py 如何训练模型import warningswarnings.filterwarnings('ignore')from ultralytics import YOLOif __name__ == '__main__': model = YOLO('ultralytics/cfg/models/11/yolo11.yaml') #model.load
9.1K11编辑于 2024-10-30 - 来自专栏和蔼的张星的图像处理专栏
11.YOLOV3训练检测拾遗。
训练配置以及检测我在上一篇文章里已经写过了，这里主要写一下可能会遇到的一些问题及解决方案。 这里面要做的许多事情别人都已经是做过了的，我做一下总结而已。 1. 保存训练日志以及训练日志可视化。 1.1.保存训练日志。 训练日志就是训练的时候输出的那一大堆东西，要总结实验结果，可视化训练日志的关键参数是一个很有效的方式，所以我们来做这个东西。 解析训练日志。 ，这个读取数据的函数还是挺麻烦的，有兴趣可以看官方的文档，我没看下去。 /usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Thu Nov 29 16:23:11 2018 @author: zhxing
2.4K30发布于 2018-12-19 - 来自专栏刷题笔记
【2020HBU天梯赛训练】7-11 打折
7-11 打折 去商场淘打折商品时，计算打折以后的价钱是件颇费脑子的事情。例如原价 ￥988，标明打 7 折，则折扣价应该是 ￥988 x 70% = ￥691.60。
93720发布于 2020-06-23 - 来自专栏人人都是极客
4.训练模型之准备训练数据
终于要开始训练识别熊猫的模型了， 第一步是准备好训练数据，这里有三件事情要做： 收集一定数量的熊猫图片。 将图片中的熊猫用矩形框标注出来。 将原始图片和标注文件转换为TFRecord格式的文件。 最后需要将数据集切分为训练集合测试集，将图片文件打乱，然后按照 7：3 的比例进行切分： random.seed(42) random.shuffle(all_examples) example.features.feature['image/object/class/label'].int64_list.value, [1]) 后台回复“准备训练数据 最后还需要一个 label map 文件，很简单，因为我们只有一种物体：熊猫 label_map.pbtxt: item { id: 1 name: 'panda' } 训练一个熊猫识别模型所需要的训练数据就准备完了 ，接下来开始在 GPU 主机上面开始训练。
2.3K80发布于 2018-03-16 - 来自专栏新智元
【11分钟训练完ImageNet】DNN训练再破纪录，1024 CPU Caffe开源
现在，他们继续推进，使用1024个CPU，在11分钟内训练完AlexNet，48分钟训练完ResNet-50。研究人员表示，源代码不久后将在Intel Caffe发布。 先来看论文摘要： ? 因此，对许多研究人员而言，扩展DNN训练，实际上就成了开发方法，确保在不降低精度的前提下，增加固定epoch数据并行同步SGD中的批量大小。 11分钟完成。精度与基准相当。 ? 下图则是训练ResNet-50的结果，使用了数据增强，方法与Facebook（He等，2016年）一样。48分钟完成。精度与基准相当。 ? 目标：朝5秒钟训练完ImageNet进发 对于深度学习应用，更大的数据集和更大的模型会让准确性有显着提高，但这样做的代价是需要花费更长的训练时间。 而诸如计算金融，自动驾驶，石油和天然气勘探和医学成像等许多应用，几乎肯定需要数十亿规模的训练元素和TB级的训练数据集。 因此，加速深度神经网络训练是非常有意义的研究课题。
1.8K110发布于 2018-03-21 - 来自专栏YOLO大作战
YOLO11-pose关键点检测：训练实战篇 | 自己数据集从labelme标注到生成yolo格式的关键点数据以及训练教程
本文解决什么问题：教会你如何用自己的数据集转换成对应格式的数据集以及如何训练YOLO11-pose关键点检测 1.YOLO11介绍Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前 pose官方在COCO数据集上做了更多测试： 结构图如下：2.如何标注自己的关键点数据集2.1 labelme下载# 安装labelmepip install labelme2.2使用labelme下直接在 python环境下运行labelme2.3 labelme介绍关键点标记主要使用1)Create Rectangle生成矩形框；2）Create Point生成关键点；2.4 数据集标注3.数据集格式转换 3.1标记后的数据格式如下一张图片对应一个json文件3.2 生成适合yolo格式的关键点数据集labelme2yolo-keypoint 生成的txt内容如下:0 0.48481 0.47896 0.70079 hand_keypoint：-images: --train: png图片 --val：png图片-labels： --train: txt文件 --val：txt文件4.手部关键点训练4.1 新建data
8.4K20编辑于 2024-10-17 - 来自专栏my博客
《Aidlux11月AI实战训练营》作业心得
1 训练营课程链接实战训练营的课程：https://mp.weixin.qq.com/s/3WrTMItNAGt8l2kjjf042w。2. resnet50_ANT_best_albation1_64_checkpoint.pth') #pth_path = os.path.join("/Users/rocky/Desktop/训练营 code/yolov5_code/data/images/tests"images_list = os.listdir(source)print(images_list)frame_id = 0# 读取数据集 预处理 img = preprocess_img(frame, target_shape=(640, 640), div_num=255, means=None, stds=None) # 数据转换 ：因为setTensor_Fp32()需要的是float32类型的数据，所以送入的input的数据需为float32,大多数的开发者都会忘记将图像的数据类型转换为float32 aidlite.setInput_Float32
34000编辑于 2022-12-06 - 来自专栏全栈程序员必看
mask rcnn训练自己的数据集_fasterrcnn训练自己的数据集
这篇博客是 基于 Google Colab 的 mask rcnn 训练自己的数据集（以实例分割为例）文章中 数据集的制作 这部分的一些补充 温馨提示： 实例分割是针对同一个类别的不同个体或者不同部分之间进行区分 界面左上角 File 下拉菜单中的 Stay With Images Data 选项 否则生成的json会包含 Imagedata 信息（是很长的一大串加密的软链接），会占用很大的内存 1.首先要人为划分训练集和测试集 __ignore__ __background__ seedling #根据自己的实际情况更改 3.在datasets目录下新建 seed_train、 seed_val 两个文件夹 分别存放的训练集和测试集图片和整合后的标签文件 把整合后的标签文件剪切复制到同级目录下 seed_train_annotation.josn seed_val_annotation.json 完整代码 说明： 一次只能操作一个文件夹，也就是说： 训练集生成需要执行一次代码
1.2K30编辑于 2022-09-23 - 来自专栏罗西的思考
深度学习分布式训练框架 horovod (11) --- on spark --- GLOO 方案
[源码解析] 深度学习分布式训练框架 horovod (11) --- on spark --- GLOO 方案 目录 [源码解析] 深度学习分布式训练框架 horovod (11) --- on spark 本系列其他文章如下： [源码解析] 深度学习分布式训练框架 Horovod (1) --- 基础知识 [源码解析] 深度学习分布式训练框架 horovod (2) --- 从使用者角度切入 [源码解析] 深度学习分布式训练框架 horovod (3) --- Horovodrun背后做了什么 [源码解析] 深度学习分布式训练框架 horovod (4) --- 网络基础 & Driver [源码解析] 深度学习分布式训练框架 horovod (5) --- 融合框架 [源码解析] 深度学习分布式训练框架 horovod (6) --- 后台线程架构 [源码解析] 深度学习分布式训练框架 horovod (7) --- DistributedOptimizer [源码解析] 深度学习分布式训练框架 horovod (8) --- on spark [源码解析] 深度学习分布式训练框架 horovod
90930发布于 2021-07-13 - 来自专栏深度学习与计算机视觉
TensorFlow 组合训练数据（batching）
Image和Label作为训练数据提供给网络模型使用，而在实际的网络训练过程中，往往不是使用单个数据提供给模型训练，而是使用一个数据集（mini-batch），mini-batch中的数据个数称为batch-size 大部分的内容和之前的操作是相同的，数据队列中存放的还是单个的数据和标签，只是在最后的部分将出队的数据组合成为batch使用，下面给出从原始数据到batch的整个流程： ? +3*batch_size 我是这样理解第二个队列的：入队的数据就是解析出来的单个的数据，而出队的数据组合成了batch，一般来说入队数据和出队数组应该是相同的，但是在第二个队列中不是这样。 他们唯一的区别是是否将数据顺序打乱。 ，该代码主要做以下工作，从TFRecord中读取单个数据，每四个数据组成一个batch，一共生成10个batch，将40张图片写入指定路径下，命名规则为batch?
2.3K70发布于 2018-01-02 - 来自专栏PPV课数据科学社区
【学习】数据模型需要多少训练数据？
训练数据的质量和数量通常是决定一个模型性能的最关键因素。一旦训练数据准备好，其他的事情就顺理成章了。但是到底应该准备多少训练数据呢？ 而找出这些变量之间相互关系的方法就是在不同数据量的训练数据上训练模型并绘制学习曲线。 生成一系列逻辑回归问题并研究不同数据量的训练数据所造成的影响的代码可以从GitHub上获取。 当然，更大的模型需要更多的训练数据，但是对于一个给定的训练模型数量与模型参数数量比率其性能是一样的。 例如，对于一个给定的大文本语料库，可以在标记数据进行训练之前通过生成单词频率的历史图表来理解特征空间，通过历史图表废弃长尾单词进而估计真正的特征数，然后应用10X规则来估算模型需要的训练数据的数据量。
1.9K60发布于 2018-04-23 - 来自专栏机器之心
最强NLP预训练模型！谷歌BERT横扫11项NLP任务记录
BERT 是首个在大批句子层面和 token 层面任务中取得当前最优性能的基于微调的表征模型，其性能超越许多使用任务特定架构的系统，刷新了 11 项 NLP 任务的当前最优性能记录。 这篇刷新了 11 项 NLP 任务的论文不久之前已经上线，让我们一睹为快： 研究证明语言模型预训练可以有效改进许多自然语言处理任务，包括自然语言推断、复述（paraphrasing）等句子层面的任务，以及命名实体识别 BERT 刷新了 11 项 NLP 任务的当前最优性能记录。本论文还报告了 BERT 的模型简化测试（ablation study），证明该模型的双向特性是最重要的一项新贡献。 它刷新了 11 个 NLP 任务的当前最优结果，包括将 GLUE 基准提升至 80.4%（7.6% 的绝对改进）、将 MultiNLI 的准确率提高到 86.7%（5.6% 的绝对改进），以及将 SQuAD 实验 这部分，我们将展示 BERT 在 11 个 NLP 任务上的微调结果。 ? 图 3：我们的任务特定模型是由向 BERT 添加了一个额外的输出层而形成的，因此一小部分参数需要从头开始学习。
1.5K40发布于 2018-10-22 - 来自专栏量子位
PyTorch 1.7发布：支持CUDA 11、Windows分布式训练
，终于能支持CUDA 11了，可喜可贺（狗头）。 此外，分布式数据并行（DDP）和基于远程过程调用（RPC）的分布式训练也有了重大的更新，在Windows平台上的分布式训练提供支持。 支持DDP中不均匀的数据集输入 [BETA] PyTorch 1.7引入了一个新的上下文管理器，该管理器将与使用torch.nn.parallel.DistributedDataParallel训练的模型结合使用 ，以便能够在不同的过程中使用不均匀的数据集大小进行训练。 语音识别 [STABLE] 在wav2letter模型的基础上，新版本现在添加了一个带有LibriSpeech数据集的wav2letter训练管道示例。
1K20编辑于 2023-03-10 - 来自专栏小鹏的专栏
OCR -- 训练数据扩增的方法
M_z def cliped_rand_norm(mu=0, sigma3=1): """ :param mu: 均值 :param sigma3: 3 倍标准差， 99% 的数据落在 dst_text_pnts （2）gauss_blur def apply_gauss_blur(img, ks=None): if ks is None: ks = [7, 9, 11
1.4K30发布于 2019-05-26 - 来自专栏联远智维
LOGO识别及数据集训练
因此，本推文展示了获取训练数据集—数据标注—模型训练—结果后处理的全过程，具体内容如下所示：图片项目框架 水印检测能够帮助企业追踪图片的来源，辅助工作人员对图像进行分类。 项目从图像识别的准确率，训练时间成本，历史经验积累以及难度等方面综合考虑，最终决定采用了yolo算法进行目标识别。 执行目标检测前，我们需要给模型喂一定的数据，得到训练好的权重文件。 附1：数据集制作过程中，要尽可能地包含所有数据的特征，保证结果的准确可靠性；附2：数据标注过程中要尽可能的准确，避免漏标，误标以及多标等情况；项目中采用了labeling软件进行数据标注，具体过程如下： 本例程中不再赘述模型训练过程，感兴趣的读者可以参考网上的教程，工作过程中可以使用下述命令行进行模型训练和图片识别，具体为：# 模型训练sudo yolo detect train data
1.2K40编辑于 2023-08-28 - 来自专栏机器学习算法与Python学习
PyTorch 1.7发布，支持CUDA 11、Windows分布式训练
该版本增添了很多新特性，如支持 CUDA 11、Windows 分布式训练、增加了支持快速傅里叶变换（FFT）的新型 API 等。 ? PyTorch 1.7 版本包含很多新的 API，如支持 NumPy 兼容的 FFT 操作、性能分析工具，以及对基于分布式数据并行（DDP）和基于远程过程调用（RPC）的分布式训练的重要更新。 测试版）通过 torch.fft 支持 NumPy 兼容的 FFT 操作； （原型版）支持英伟达 A100 GPU 和原生 TF32 格式； （原型版）支持 Windows 系统上的分布式训练。 开发者对 PyTorch 1.7 的态度 有开发者对 PyTorch 1.7「支持 Windows 上的分布式训练」这一新功能表示赞赏： ? 以及乐见于「PyTorch 对 CUDA 11 的支持」： ? 依然有人趁机表白 PyTorch，并列出偏好 PyTorch 的原因，如报错易读、代码直观、易于实验。 ?
84210发布于 2020-11-03 - 来自专栏sofu456
使用paddleocr识别和训练数据
pip install paddleocr，gitee上的源码https://gitee.com/paddlepaddle/PaddleOCR.git 原理 使用mobilev3、resnet骨干网络训练实现以下功能 ： 目标检测，检测文字（文字使用的预训练好的分类器数据，类似yolo使用darknet分类） 方向分类器，最小外接矩形 识别，识别文字 使用 ocr = PaddleOCR() result = ocr.ocr ("test1.bmp", cls=True) for line in result: print(line) 自己训练训练模型，构造如下 det_model_dir='model/det', /train_data/ https://paddleocr.bj.bcebos.com/dataset/test_icdar2015_label.txt 标签格式如下： 训练数据文件结构 启动训练 python3 tools/train.py -c configs/det/det_mv3_db.yml -o Global.pretrain_weights=.
1.3K20编辑于 2021-12-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号