<style>
</style>
首先将数据集分为train和test两个文件,test文件下有Annotations、ImageSets和JPEGImages三个子文件,train文件下也有Annotations、ImageSets和JPEGImages三个子文件。
![](C:\Users\jasin\AppData\Roaming\marktext\images\2022-06-12-00-28-26-image.png)
然后运行voc_label.py,将数据集转化为yolov5能训练的数据集
到yolov5官网上选择下载一个自己需要用到的权重文件,放入weights文件夹内
![](C:\Users\jasin\AppData\Roaming\marktext\images\2022-06-12-00-28-45-image.png)
根据自己需求来修改data目录下的myvoc文件
到models目录下打开自己下载的权重文件修改类别数目(nc)
打开train.py文件
![](C:\Users\jasin\AppData\Roaming\marktext\images\2022-06-12-00-28-54-image.png)
在该句中修改为自己下载的权重文件
parser.add_argument('--weights', type=str, default=ROOT / 'weights/yolov5m.pt', help='initial weights path')
在该句中修改为在models文件下的权重文件所对应的yaml文件
parser.add_argument('--cfg', type=str, default='models/yolov5m.yaml', help='model.yaml path')
在该句中选择所要训练的次数
parser.add_argument('--epochs', type=int, default=1)
在该句中根据自己显卡的性能选择相应的batch-size
parser.add_argument('--batch-size', type=int, default=1, help='total batch size for all GPUs, -1 for autobatch')
将训练完的模型放入yolov5-deepsort的weights文件里,然后将所需运行的视频放在video文件夹下然后运行main即可进行识别。
所需要的python库
# YOLOv5 requirements
# Usage: pip install -r
requirements.txt
# Base
----------------------------------------
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.1
Pillow>=7.1.2
PyYAML>=5.3.1
requests>=2.23.0
scipy>=1.4.1 # Google Colab version
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
protobuf<=3.20.1 #
https://github.com/ultralytics/yolov5/issues/8012
# Logging
-------------------------------------
tensorboard>=2.4.1
# wandb
# Plotting
------------------------------------
pandas>=1.1.4
seaborn>=0.11.0
# Export
-------------------------------------
coremltools>=4.1 # CoreML export
onnx>=1.9.0 # ONNX export
onnx-simplifier>=0.3.6 # ONNX simplifier
scikit-learn==0.19.2 # CoreML quantization
tensorflow>=2.4.1 # TFLite export
tensorflowjs>=3.9.0 # TF.js export
openvino-dev # OpenVINO export
# Extras
--------------------------------------
ipython # interactive notebook
psutil # system utilization
thop # FLOPs computation
#albumentations>=1.0.3
#pycocotools>=2.0 # COCO mAP
roboflow
Pytorch版本1.8.0
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
【探索人工智能的宝藏之地】 无论您是计算机相关专业的在校学生、老师,还是企业界的探索者,这个项目都是为您量身打造的。无论您是初入此领域的小白,还是寻求更高层次进阶的资深人士,这里都有您需要的宝藏。不仅如此,它还可以作为毕设项目、课程设计、作业、甚至项目初期的立项演示。 【人工智能的深度探索】 人工智能——模拟人类智能的技术和理论,使其在计算机上展现出类似人类的思考、判断、决策、学习和交流能力。这不仅是一门技术,更是一种前沿的科学探索。 【实战项目与源码分享】 我们深入探讨了深度学习的基本原理、神经网络的应用、自然语言处理、语言模型、文本分类、信息检索等领域。更有深度学习、机器学习、自然语言处理和计算机视觉的实战项目源码,助您从理论走向实践,如果您已有一定基础,您可以基于这些源码进行修改和扩展,实现更多功能。 【期待与您同行】 我们真诚地邀请您下载并使用这些资源,与我们一起在人工智能的海洋中航行。同时,我们也期待与您的沟通交流,共同学习,共同进步。让我们在这个充满挑战和机遇的领域中共同探索未来!
资源推荐
资源详情
资源评论
收起资源包目录
基于pytorch,deepsort,yolov5实现.zip (7个子文件)
资料总结
datasets
tmpss560wt6 768KB
tmpm9ii7b0q 0B
tmpueifpb57 2.81MB
tmp1e6zm1l5 13.44MB
tmpamy_0ctq 8.48MB
tmp39d9d3od 4.19MB
README.md 3KB
共 7 条
- 1
资源评论
妄北y
- 粉丝: 1w+
- 资源: 1万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功