Press "Enter" to skip to content

【目标检测算法】利用wandb可视化YOLO-V5模型的训练

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

文章目录

一、wandb可视化模型训练

2. 在pycharm配置wandb
3. 调整代码,并在控制台启动wandb
4. 在wandb中查看训练过程

二、colab&wandb在线训练与在线参数视察

1. 在ipynb中安装wandb
2. 开始训练并查看结果
4. 混淆矩阵 confusion_matrix
5. PR曲线和不同置信度下的F1曲线
6. 一个batch训练的预测结果

还是基于该博客做的wandb可视化模型的训练。

 

【目标检测算法】YOLO-V5实战检测VOC2007数据集

 

训练过yolov5网络的都知道,网络会自动生成一个run文件夹,里面涵盖了几乎所有评价指标,为什幺还要用wandb进行可视化训练,多此一举嘛不是。

 

这里放一个官网的图:

 

 

 

可以看到,wandb可以实现不同网络的对比寻优。当然这只是显眼易见的优点,肯定还有很多功能,我也没有发现。

 

一、wandb可视化模型训练

 

1. 注册wandb账号

 

Weights & Biases 网上有很多博主教如何注册,这里就不再赘述。

 

2. 在pycharm配置wandb

 

 

点击这个Quickstart,官方有教程教你如何快速新建一个可视化工程。 在pycharm输入pip install wandb–>安装完成输入wandb login–>复制下面的key输入pycharm

 

注意:输入wandb login后,光标将不存在,直接粘贴按回车就行

 

3. 调整代码,并在控制台启动wandb

 

这里考虑到GPU性能,我只跑了10轮。实际训练要训练至少50轮。batch size也调整为8,不然我的显存就爆了。

 

并且我把训练时输入图片大小调整为320*320,也是为了加快训练速度。(==没办法,GPU太垃圾了)

 

parser.add_argument('--epochs', type=int, default=10, help='total training epochs')
    parser.add_argument('--batch-size', type=int, default=8, help='total batch size for all GPUs, -1 for autobatch')
    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=320, help='train, val image size (pixels)')

 

如果你是第一次,下面回让你输入key, 直接复制wandb的key粘贴就好了 。这里我是第二次进入,就不需要输入啦。

 

4. 在wandb中查看训练过程

 

wandb: Tracking run with wandb version 0.13.2
wandb: Run data is saved locally in P:\Project_Python\yolov5-voc\wandb\run-20220906_082929-owk5vzjl
wandb: Run `wandb offline` to turn off syncing.
wandb: Syncing run legendary-hill-2
wandb:  View project at https://wandb.ai/sanmumumu/train
wandb:  View run at https://wandb.ai/sanmumumu/train/runs/owk5vzjl
YOLOv5 temporarily requires wandb version 0.12.10 or below. Some features may not work as expected.

 

点开提示的网址就可以看到我们训练的工程。

 

 

 

二、colab&wandb在线训练与在线参数视察

 

1. 在ipynb中安装wandb

 

在ipynb中输入:

 

!pip install wandb

 

 

接着输入下列语句,并在wandb里找到自己的key,就可以进入在线训练了。

 

!wandb login

 

 

2. 开始训练并查看结果

 

接着开始训练就好了,我们可以在wandb中查看我们mask数据集训练的结果:

 

 

【目标检测算法】YOLO-V5训练结果的分析与评价

 

3. 损失函数

 

 

4. 混淆矩阵 confusion_matrix

 

可以看到戴口罩的识别准确率还是很高的。但是不戴口罩的还是容易被误识别为戴口罩的。

 

挖个坑,以后寻求解决该问题的方法!!!

 

5. PR曲线和不同置信度下的F1曲线

 

 

 

6. 一个batch训练的预测结果

 

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。