2025年cornernet训练自己的数据集（nanodet 训练自己的数据集）

大家好，我是讯享网，很高兴认识大家。

1. 安装 VSCode ，Visual Studio Code - Code Editing. Redefined

2. 安装 VSCode 插件，Remote-SSH 、 Chinese (Simplified)

3. 领取 50元算力券(24小时4090显卡)，无需认证！

>博主粉丝福利，限量领取

><https://cloud.lanyun.net/#/registerPage?promoterCode=5f738eaf90>

4. 租显卡设备

5. 上传数据集

> 数据集链接：<https://pan.baidu.com/s/14Gw_jymmUxQAWv3JNvgwqw>

> 提取码：df66

或： <https://download.csdn.net/download/weixin_^43694096⁄_88369997>

6. 解压数据集到指定位置：unzip -d /root/VOC2007/ /root/lanyun-fs/VOC2007.zip

7. 下载代码：

source /etc/network_turbo # 开启代理

git clone https://github.com/ultralytics/ultralytics --branch v8.3.12

讯享网

8. 初始化 conda init

9. 新建conda环境：conda create --name yolov8 python=3.10 -y

10. 激活conda环境：conda activate yolov8

11. 安装环境：

unset http_proxy && unset https_proxy # 关闭代理

pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

12. 下载权重 wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt

13. 推理模型：

14. 编写数据集 yaml 文件

15. 训练模型：

pythonfrom ultralytics import YOLO if __name__ == '__main__': # 加载模型 model = YOLO('yolov11.yaml', task="detect") # 不使用预训练权重训练 | detect, segment, classify, pose, obb # model = YOLO(r'yolov11.yaml').load("yolov11n.pt") # 使用预训练权重训练 # 训练参数 ---------------------------------------------------------------------------------------------- model.train( data='coco128.yaml', epochs=100, # (int) 训练的周期数 patience=50, # (int) 等待无明显改善以进行早期停止的周期数 batch=32, # (int) 每批次的图像数量（-1 为自动批处理） imgsz=640, # (int) 输入图像的大小，整数或w，h save=True, # (bool) 保存训练检查点和预测结果 save_period=-1, # (int) 每x周期保存检查点（如果小于1则禁用） cache=True, # (bool) True/ram、磁盘或False。使用缓存加载数据 device='', # (int | str | list, optional) 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu workers=8, # (int) 数据加载的工作线程数（每个DDP进程） project='runs/train', # (str, optional) 项目名称 name='exp', # (str, optional) 实验名称，结果保存在'project/name'目录下 pretrained=True, # (bool | str) 是否使用预训练模型（bool），或从中加载权重的模型（str） optimizer='SGD', # (str) 要使用的优化器，选择=[SGD，Adam，Adamax，AdamW，NAdam，RAdam，RMSProp，auto] verbose=True, # (bool) 是否打印详细输出 seed=0, # (int) 用于可重复性的随机种子 close_mosaic=0, # (int) 在最后几个周期禁用马赛克增强 resume=False, # (bool) 从上一个检查点恢复训练 amp=False, # (bool) 自动混合精度（AMP）训练，选择=[True, False]，True运行AMP检查 )

16. 评估模型：

pythonfrom ultralytics import YOLO if __name__ == '__main__': # 加载模型 model = YOLO(r'yolov8n.pt') # 验证模型 metrics=model.val( data=r'coco128.yaml', split='val', # (str) 用于验证的数据集拆分，例如'val'、'test'或'train' batch=1, # (int) 每批的图像数量（-1 为自动批处理） imgsz=640, # 输入图像的大小，可以是整数或w，h device=0, # 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu workers=8, # 数据加载的工作线程数（每个DDP进程） iou=0.6, # 非极大值抑制 (NMS) 的交并比 (IoU) 阈值 project='runs/val', # 项目名称（可选） name='exp', # 实验名称，结果保存在'project/name'目录下（可选） ) print(f"mAP50-95: {metrics.box.map}") # map50-95 print(f"mAP50: {metrics.box.map50}") # map50 print(f"mAP75: {metrics.box.map75}") # map75 speed_metrics = metrics.speed total_time = sum(speed_metrics.values()) fps = 1000 / total_time print(f"FPS: {fps}") # FPS

2025年cornernet训练自己的数据集（nanodet 训练自己的数据集）

相关推荐