使用yolox训练自己的数据集并测试

10月前作者：Dragon_0010 分类：Toy博客阅读(33) 违法举报

这篇具有很好参考价值的文章主要介绍了使用yolox训练自己的数据集并测试。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。

1.首先给出yolox原模型的下载地址:

https://github.com/bubbliiiing/yolox-pytorch

百度网盘链接给出自己完整的模型（包括数据集以及权重文件）：

链接：https://pan.baidu.com/s/1JNjB42u9eGNhRjr1SfD_Tw
提取码：otq0

2.训练模型：修改模型里面的数据集以及一些参数

1.选择配置好的深度学习环境

使用yolox训练自己的数据集并测试

使用yolox训练自己的数据集并测试

使用yolox训练自己的数据集并测试

2.修改train.py里面的classes_path，将自己想要分类的类别填充进去

使用yolox训练自己的数据集并测试

使用yolox训练自己的数据集并测试

3.修改权重文件

使用yolox训练自己的数据集并测试

如果使用yolox_m作为初始权重来训练，需要将phi的值修改为m

使用yolox训练自己的数据集并测试

4.修改冻结阶段和非冻结阶段的epoch 和batch_size,不启用冻结阶段

batch_size设置为8，因为设置为16之后发现爆显存了

epoch设置为600

使用yolox训练自己的数据集并测试

5.划分训练集和测试集

为了省去不必要的麻烦，将自己的数据集名称改为VOC2007,放在VOCdevkit文件夹下面

使用yolox训练自己的数据集并测试

使用yolox训练自己的数据集并测试

然后运行voc_annotation.py

会生成这些文件

使用yolox训练自己的数据集并测试

里面是图片的路径，以及标注框的坐标

使用yolox训练自己的数据集并测试

6.在训练中遇到报错：Initializing libiomp5md.dll, but found libiomp5md.dll already

解决办法：

在训练代码的开头加上这一行代码：

import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"

使用yolox训练自己的数据集并测试

7.运行train.py,开始训练

使用yolox训练自己的数据集并测试

8.得到训练结果和权重文件

使用yolox训练自己的数据集并测试

使用yolox训练自己的数据集并测试

2.将训练好的模型来进行测试

1.在yolo.py里面修改分类路径以及损失最小的模型权重文件的路径

2.如果在训练的时候修改了phi，比如说训练使用的是yolox_m权重，那么测试的时候也要修改成对应的phi

使用yolox训练自己的数据集并测试

3.遇到报错:No module named 'onnx',有包没有导入

使用yolox训练自己的数据集并测试

直接点这个Install package onnx

使用yolox训练自己的数据集并测试

导入成功，报错解决

4.运行predict.py,输入图片路径来进行测试

使用yolox训练自己的数据集并测试

hat1.jpg

使用yolox训练自己的数据集并测试得到测试结果

使用yolox训练自己的数据集并测试

hat2.jpg

使用yolox训练自己的数据集并测试

得到测试结果

使用yolox训练自己的数据集并测试

也可以使用摄像头或者视频来进行识别：修改一下mode的值

使用yolox训练自己的数据集并测试

看的出来，效果还是很好的。文章来源地址https://www.toymoban.com/news/detail-490781.html

到了这里，关于使用yolox训练自己的数据集并测试的文章就介绍完了。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！

分享到：

领支付宝红包赞助服务器费用

目标检测笔记(十五): 使用YOLOX完成对图像的目标检测任务（从数据准备到训练测试部署的完整流程）

目标检测（Object Detection）是计算机视觉领域的一项重要技术，旨在识别图像或视频中的特定目标并确定其位置。通过训练深度学习模型，如卷积神经网络（CNN），可以实现对各种目标的精确检测。常见的目标检测任务包括：人脸检测、行人检测、车辆检测等。目标检测在安防

2024年02月09日
浏览(46)
【DDRNet】DDRNet项目使用单GPU、自己的数据集训练、得到测试图像

最近需要对一些细胞图像进行分割，需要比较几个模型之间的优劣，于是找到了DDRNet。 DDRNet项目来源：https://github.com/chenjun2hao/DDRNet.pytorch 电脑环境配置：win11+NVIDIA GeForce RTX 3060 Laptop+CUDA11.7 如果想用他的数据集cityscapes和他的预训练模型，可以根据上面的项目来源中的指示来做

2024年02月11日
浏览(39)
如何基于stable diffusion训练出自己的模型，给出详细的python代码

首先，基于 stable diffusion 训练自己的模型需要了解 stable diffusion 的原理和基本操作。 Stable diffusion 是一种基于最小化相对熵的机器学习方法，旨在解决在机器学习中常见的过拟合问题。它通过在模型训练过程中引入一个惩罚项来限制模型的复杂度，从而使模型更稳定。下面是

2024年02月11日
浏览(42)
TransUnet官方代码测试自己的数据集（已训练完毕）

首先参考上一篇的训练过程，这是测试过程，需要用到训练过程的权重。 1. TransUnet训练完毕之后，会生成权重文件（默认保存位置如下），snapshot_path为保存权重的路径。权重文件 2. 修改test.py文件调整数据集路径。训练和测试时的图像设置相同大小，并设置主干模型的名称

2024年02月01日
浏览(43)
【swinUnet官方代码测试自己的数据集（已训练完毕）】

首先参考上一篇的训练过程，因为测试需要用到训练获得的权重。 1、检查相关文件 1.1 检查test_vol.txt的内容是否是测试用的npz文件名称测试集的npz文件 1.2 检查模型权重文件 2、修改部分代码 2.1 修改dataset_synapse.py 2.2 修改test.py代码修改相关参数和文件路径 is_savenii：是否保

2024年02月02日
浏览(74)
使用MMDetection训练自己的数据集

本文主要阐述如何使用 mmdetection 训练自己的数据，包括配置文件的修改，训练时的数据增强，加载预训练权重以及绘制损失函数图等。这里承接上一篇文章，默认已经准备好了 COCO 格式数据集且已安装 mmdetection ，环境也已经配置完成。这里说明一下，因为 mmdetection 更新至

2024年02月06日
浏览(60)
使用SwinUnet训练自己的数据集

参考博文： https://blog.csdn.net/qq_37652891/article/details/123932772 遥感图像多类别语义分割，总共分为7类（包括背景） image: label_rgb label(这里并不是全黑，其中的类别取值为 0，1，2，3，4，5，6 )，此后的训练使用的也是这样的数据数据地址百度云： https://pan.baidu.com/s/1zZHnZfBgVWxs6T

2024年02月04日
浏览(51)
使用pyskl的stgcn++训练自己的数据集

https://github.com/kennymckormick/pyskl 包含多种动作分类的模型，感谢大佬训练过程主要参考项目中的 examples/extract_diving48_skeleton/diving48_example.ipynb 但是我一开始不知道这个文件，从网上查不到太多的资料，走了不少弯路，这里就把我训练的过程分享一下。这里使用的是Weizmann数据

2024年02月03日
浏览(35)
SwinIR Transformer训练教程（使用自己的数据集）

SwinIR Transformer图像超分辨率重建训练教程文章：https://arxiv.org/abs/2108.

2024年02月13日
浏览(39)
使用YOLOv8训练自己的【目标检测】数据集

随着深度学习技术在计算机视觉领域的广泛应用，行人检测和车辆检测等任务已成为热门研究领域。然而，实际应用中，可用的预训练模型可能并不适用于所有应用场景。例如，虽然预先训练的模型可以检测出行人，但它无法区分“好人”和“坏人”，因为它没有接受相关的

2024年04月10日
浏览(54)