代码拉取完成，页面将自动刷新
简体中文 | English
这个页面提供了关于YOLODetection使用的基本教程。
有关安装说明，请参阅INSTALL.md。
YOLODetection提供执行单卡多卡的训练。 所有输出(日志文件和检查点)将保存到工作目录中。
这是由配置文件中的work_dir指定的。
*Important*: 配置文件的默认学习率是1个gpu和小批次大小为2，累计到64个批次大小进行梯度更新。
根据余弦败火规则，如果你使用不同的GPU或每个GPU的图像，你需要设置与批大小成比例的学习率，配置文件中的batch_size和subdivisions确定。
python tools/train.py ${CONFIG_FILE}
如果您想在命令中指定工作目录，可以添加一个参数--work_dir ${YOUR_WORK_DIR}。
例如采用YOLOv4训练模型:
python tools/train.py cfg/yolov4_coco_100e.py --device ${device} --validate
python tools/train.py ${CONFIG_FILE} --device ${device} [optional arguments]
例如采用YOLOv4训练模型:
python tools/train.py cfg/yolov4_coco_100e.py --device 0,1,2 --validate
可选参数:
--validate(强烈建议):在训练epoch期间每一次k(默认值是1，可以像这样修改this)来执行评估。
--work_dir ${WORK_DIR}:覆盖配置文件中指定的工作目录。
--device ${device}: 指定device训练, 0 or 0,1,2,3 or cpu，默认全部使用。
--resume_from ${CHECKPOINT_FILE}:从以前训练的checkpoints文件恢复训练。
--multi-scale:多尺度缩放，尺寸范围为训练图片尺寸+/- 50%
resume_from 和load_from的不同:
resume_from加载模型权重和优化器状态，并且训练也从指定的检查点继续训练。它通常用于恢复意外中断的训练。
load_from只加载模型权重，并且训练从epoch 0开始。它通常用于微调。
下面是一个构建模型和测试给定图像的示例。
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'
# build the model from a config file and a checkpoint file
model = init_detector(config_file, checkpoint_file, device='cuda:0')
# test a single image and show the results
img ='test.jpg' # or img = mmcv.imread(img), which will only load it once
result,t = inference_detector(model, img)
print('%s Done , object num : %s .time:(%.3fs)' % (img,len(result), t))
# visualize the results in a new window
show_result(img, result, model.CLASSES)
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。