0
点赞
收藏
分享

微信扫一扫

pytorch yolov3 推理和训练环境搭建


本文基于anaconda python3.8.5环境搭建

pytorch yolov3 推理和训练环境搭建_python

关于环境的安装参考


下载环境

首先下载pytorch yolov3的推理和训练开发环境

git clone https://github.com/ultralytics/yolov3

pytorch yolov3 推理和训练环境搭建_python_02

我们在默认的主分支上耍

pytorch yolov3 推理和训练环境搭建_人工智能_03

安装依赖包 

执行:

pip install -r ./requirements.txt

pytorch yolov3 推理和训练环境搭建_人工智能_04

有几个比较大的包,比如torch,opencv等需要花比较长的时间安装。

根据仓库提供的介绍, ​​ultralytics/yolov3​​ 仓库包含两个主要分支,master分支前向兼容yolov5模型算法,是它官方推荐的使用分支,而另一个archive分支后向兼容老的backward darknet 格式的模型文件,并且此分支不在维护,所以不推荐使用。

既然如此,我们使用master分支。

推理

目录中的​​detect.py​​​ 执行推理过程,并将结果保存在​​runs/detect目录下​

输入命令

python detect.py --source data/images --weights yolov3.pt --conf 0.25

进行推理,此命令首先会从以下地址下载权重文件

pytorch yolov3 推理和训练环境搭建_人工智能_05

https://github.com/ultralytics/yolov3/releases/download/v9.5.0/yolov3.pt

pytorch yolov3 推理和训练环境搭建_pytorch_06

 如果环境本身的下载过程比较慢,你也可以用迅雷等快一些的下载工具下载过来,在放入目录,此后执行命令检测到文件存在,则会PASS调下载环节。

命令成功执行后,显示如下:

pytorch yolov3 推理和训练环境搭建_pytorch_07

 根据输出,我们知道模型从bus.jpg和zidane.jpg中得到了检测结果

image 1/2 /home/caozilong/Workspace/yolov3/data/images/bus.jpg: 640x480 4 persons, 1 bus, Done. (0.490s)
image 2/2 /home/caozilong/Workspace/yolov3/data/images/zidane.jpg: 384x640 2 persons, 3 ties, Done. (0.385s)

并将检测结果放在了run/detect/exp18目录下

pytorch yolov3 推理和训练环境搭建_人工智能_08

pytorch yolov3 推理和训练环境搭建_深度学习_09

训练:

执行命令

python train.py --data coco.yaml --cfg yolov3.yaml --weights '' --batch-size 24

开始进行训练

pytorch yolov3 推理和训练环境搭建_深度学习_10

pytorch yolov3 推理和训练环境搭建_人工智能_11

这是在另一个PC下搭建环境的推理结果:

对比上面两幅图可以看出,他们的推理结论完全相同,这说明同一个模型在同样的权重配置下,结果是确定的。

结束

举报

相关推荐

0 条评论