目标检测pytorch版yolov3一___利用训练好的模型进行预测
2020-07-14 06:22
225 查看
本篇博客是我学习某位up在b站讲的pytorch版的yolov3后写的,
b站的传送门:
https://www.bilibili.com/video/BV1A7411976Z
他的博客的传送门:https://blog.csdn.net/weixin_44791964/article/details/105310627
他的源码的传送门:
https://github.com/bubbliiiing/yolo3-pytorch
侵删
这片博客是我已经训练好模型之后写的博客,后续我会写关于pytorch版的yolov3更详细的博客。
利用已经训练好的模型来进行预测
具体的操作步骤在github的ReadME里面有了,我就主要提醒一点,因为我自己踩过坑:
如果我们需要训练自己的classes,那么就要修改classes,此时需要要注意看第五点和第七点,两点均要求在在规定位置修改classes,此时特别注意 这两个地方修改的classes需要完全一样,比如:
voc_annotation.py里面需要将classes修改为:
那么我们需要将model_data里面的voc_classes.txt文件也修改为:
两个需要完全一样,包括顺序都需要完全一样,否则训练出来的是乱的,这个坑当时坑了我好久。😒😒
其他的就按照上面的来修改就好了。
训练出来效果还是OK的
相关文章推荐
- 利用SSD和自己训练好的模型进行目标检测
- Tensorflow训练自己的Object Detection模型并进行目标检测
- [置顶] Object Detection with Discriminatively Trained Part Based Models(使用判别训练的部件模型进行目标检测 )
- 利用py-faster-rcnn训练目标检测模型
- TensorFlow实现人脸识别(5)-------利用训练好的模型实时进行人脸检测
- 使用判别训练的部件模型进行目标检测 Object Detection with Discriminatively Trained Part Based Models
- 使用谷歌Object Detection API进行目标检测、训练新的模型(使用VOC 2012数据集) (转)
- 使用判别训练的部件模型进行目标检测 Object Detection with Discriminatively Trained Part Based Models
- 使用判别训练的部件模型进行目标检测
- SPSS Modeler 中如何利用训练好的模型进行新数据源的预测?
- 使用判别训练的部件模型进行目标检测 Object Detection with Discriminatively Trained Part Based Models
- 利用TensorFlow object detection API训练目标检测的模型
- 使用Keras预训练好的模型进行目标类别预测
- 基于PaddleSlim对目标检测模型YOLOv3进行量化训练
- 深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-4应用生成模型进行预测
- (译)使用判别训练的部件模型进行目标检测 Object Detection with Discriminatively Trained Part Based Models
- 将tf训练的权重保存为CKPT,PB ,CKPT 转换成 PB格式。并将权重固化到图里面,并使用该模型进行预测
- 利用光流法进行运动目标检测
- 利用SVM进行图像目标检测和分类
- 利用Hog特征和SVM分类器进行行人检测(自己收集正反例样本训练分类器)