yolov5检测框重合重复,手动调参方法(调整detect,val的conf,iou)

这篇具有很好参考价值的文章主要介绍了yolov5检测框重合重复,手动调参方法(调整detect,val的conf,iou)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一、问题描述:检测框重复

yolov5检测框重合重复,手动调参方法(调整detect,val的conf,iou)
出现上述问题一般是整体检测方向没错,但conf-thres和iou-thres的参数需要调整。(在默认值0.25和0.45的基础上,提高置信区间,降低iou)

conf-thres:置信度阈值(检测精度,作者是设置的0.25)
iou-thres:做nms的iou阈值

parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold')
parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS')

二、解决方案:detect、val.py文件手动调参

1、目的:本身conf-thres和iou-thres参数在detect.py文件配置(配置的地方如下图),调好参数开始训练,训练后的结果若大体满意,但细节需要通过调整conf-thres和iou-thres来优化的,可以考虑用训练完的权重进行手动调参。
2、好处:相比在detect.py文件里修改参数再次训练,手动调参可以快速得到结果。
3、理由:因为每次完整训练都要经过300次,cpu机子可能需要花一夜时间来训练,但用训练完的权重来调参可能1分钟不到就出结果了。
yolov5检测框重合重复,手动调参方法(调整detect,val的conf,iou)

三、手动调参的步骤

1 点击edit configuration
yolov5检测框重合重复,手动调参方法(调整detect,val的conf,iou)
2 在弹出来的run/debug configurations界面更改下图的三个地方,

  1. 改成detect.py文件的位置。
  2. parameters要填写如下代码
--weights
runs/train/exp10/weights/best.pt  //改成你自己权重best.pt对应的文件位置
--data
data/myData2.yaml  //改成你自己数据集.yaml对应的文件位置
--source
models/myData2/images/train  //改成你自己测试数据集val对应的文件位置
--conf-thres
0.3  //如果检测框重复可以提高置信区间,如从默认的0.25提高到0.3
--iou-thres
0.2  //如果检测框重复可以降低iou,如从默认的0.45降低到0.2
  1. 点run

yolov5检测框重合重复,手动调参方法(调整detect,val的conf,iou)
3 再次点击edit configuration在弹出来的run/debug configurations界面更改下图的三个地方

  1. 改成val.py文件的位置。
  2. parameters要填写如下代码(注意和上面代码的区别,少了个source)
--weights
runs/train/exp10/weights/best.pt  //改成你自己权重best.pt对应的文件位置
--data
data/myData2.yaml  //改成你自己数据集.yaml对应的文件位置
--conf-thres
0.3  //如果检测框重复可以提高置信区间,如从默认的0.25提高到0.3
--iou-thres
0.2  //如果检测框重复可以降低iou,如从默认的0.45降低到0.2
  1. 点run

yolov5检测框重合重复,手动调参方法(调整detect,val的conf,iou)文章来源地址https://www.toymoban.com/news/detail-442838.html

到了这里,关于yolov5检测框重合重复,手动调参方法(调整detect,val的conf,iou)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • yolov5ds-断点训练、继续训练、先终止训练并调整最终epoch(yolov5同样适用)

    🍀yolov5 继续训练 🍅yolov5ds:Yolov5同时进行目标检测和分割分割(yolov5ds作者的博客介绍) github地址:👉yolov5ds 训练yolov5ds案例:用YOLOv5ds训练自己的数据集——同时检测和分割 两种情况: 训练过程中中断了,继续训练 训练完了,但是未收敛,在这个基础上,还想用这个权

    2024年01月21日
    浏览(89)
  • 关于Yolov5在测试时,图像大小被调整的问题

    原数据大小为:1920*1080 detect.py中的imgsz设置为640,按照正常图像宽高的缩放,原数据缩放后应为:640*360 而detect.py的控制台输出却为:640*384,如下所示: 这是为何呢?具体可以从头仔细阅读detect.py的代码,在LoadImages类中有一个letterbox函数,函数具体如下:  代码中的备注给出

    2024年02月13日
    浏览(42)
  • Yolov5调整空间金字塔池化SPPCSPC/上采样方式bilinear

    ​ ​ 第一步 各个代码放入common.py中 ​ 第二步 找到yolo.py文件里的parse_model函数,将类名加入进去 ​ 第三步 修改 配置文件 ​ 在我自己的数据集上跑了一下,发现 SPPCSPC的效果是最好的~~~ YOLOV5中默认使用的是最近邻插值‘nearest’ ​  若要改为双线性插值只需在yaml文件中将

    2024年02月12日
    浏览(41)
  • YOLOv7、YOLOv5改进之损失函数EfficiCIoU-Loss:独家首发最新|结合EfficiCIoULoss损失函数(适用于YOLOv5),新的增强预测帧调整并加快帧回归率,加快网络模型收敛

    💡该教程为属于 《芒果书》 📚系列,包含大量的原创首发改进方式, 所有文章都是全网首发原创改进内容🚀 💡本篇文章 为 YOLOv5、YOLOv7、YOLOv8 芒果改进YOLO系列: YOLOv7改进损失函数:独家首发最新|结合EfficiCIoU-Loss损失函数,新的增强预测帧调整并加快帧回归率,加快网

    2024年02月05日
    浏览(51)
  • yolov5画框重复、大框包小框问题解决,c++、python代码调用onnx

    yolov5在训练完成后,获取模型(pt)文件,或者转为onnx文件,对图片进行推理时,会出现以下情况,大框包小框,会导致,明明场景中只有一个目标物而识别出两个或者更多目标物,且画出的框均标记在目标物上,在单张图目标物较多的场景该现象更为严重,具体情况如下图

    2024年02月03日
    浏览(43)
  • 一文详解Yolov5——基于Yolov5的火灾检测系统

    ✨ 原创不易,还希望各位大佬支持一下 textcolor{blue}{原创不易,还希望各位大佬支持一下} 原创不易,还希望各位大佬支持一下 👍 点赞,你的认可是我创作的动力! textcolor{green}{点赞,你的认可是我创作的动力!} 点赞,你的认可是我创作的动力! ⭐️ 收藏,你的青睐是

    2024年02月03日
    浏览(39)
  • 基于YOLOv5的WiderFace人脸检测检测系统(PyTorch+Pyside6+YOLOv5模型)

    摘要:基于YOLOv5的WiderFace人脸检测系统可用于日常生活中检测与定位人脸目标,利用深度学习算法可实现图片、视频、摄像头等方式的人脸目标检测识别,另外支持结果可视化与图片或视频检测结果的导出。本系统采用YOLOv5目标检测模型训练数据集,使用Pysdie6库来搭建页面展

    2024年02月15日
    浏览(46)
  • yolov5车道线检测+测距(碰撞检测)

    相关链接 1. 基于yolov5的车道线检测及安卓部署 2. YOLOv5#

    2024年02月08日
    浏览(39)
  • YOLOv5实现目标检测

    YOLOv5 🚀 是COCO数据集上预处理的一系列对象检测架构和模型,代表Ultralytics对未来视觉人工智能方法的开源研究,融合了数千小时研究和开发过程中积累的经验教训和最佳实践。 本文用来记录第一次使用 YOLOv5实现: 视频目标检测 摄像头目标检测 博主所使用的环境是win10 +

    2024年02月09日
    浏览(39)
  • YOLOV5实时检测屏幕

    目录 YOLOV5实时检测屏幕 思考部分 先把原本的detect.py的代码贴在这里 分析代码并删减不用的部分 把屏幕的截图通过OpenCV进行显示 写一个屏幕截图的文件 用OpenCV绘制窗口并显示 最终代码 注:此为笔记 目的:保留模型加载和推理部分,完成实时屏幕检测 实现思路: 1. 写一个

    2024年02月07日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包