Latih YOLO-NAS tentang Kumpulan Data Kustom.

Arsitektur YOLO-NAS sudah keluar! YOLO-NAS baru menghadirkan kinerja canggih dengan kinerja kecepatan akurasi yang tak tertandingi, mengungguli model lain seperti YOLOv5, YOLOv6, YOLOv7, dan YOLOv8.

Kami akan mengerti Cara melatih YOLO-NAS di Dataset Kustom. Saya akan menggunakan Dataset Roboflow.

Tautan Kumpulan Data —https://universe.roboflow.com/object-detect-dmjpt/waste-9cbfm

Kami akan menggunakan google colab untuk melatih dataset kami

Notebook Pemula YOLO-NAS —https://colab.research.google.com/drive/1q0RmeVRzLwRXW-h9dPFSOchwJkThUy6d?pli=1&authuser=4

Langkah 1.Instalasi Perpustakaan yang Diperlukan Mungkin memakan waktu beberapa menit.

Langkah 2.Mulai Ulang Waktu Proses sebelum melanjutkan Langkah Penting

Langkah 3. Unduh Bobot yang telah dilatih sebelumnya — yolo_nas_s atau tergantung pada kebutuhan Anda.

Jalankan sel kode berikutnya, ingat untuk menyebutkan model = yolo_nas_s yang benar dalam kasus saya.

Jalankan ini di atas sel.

Langkah 4. Menyempurnakan YOLO-NAS pada Dataset kustom

Periksa direktori dibuat

Langkah 5. Mari ambil dataset dari roboflow Saya sudah menyebutkan tautan dataset di atas.

Jalankan kode sel di atas untuk mengimpor modul yang diperlukan yang disediakan oleh SuperGradients DataLoaders.

Langkah terpenting saat memuat dataset untuk pelatihan.

Ubah ukuran batch jika diperlukan, saya telah mengubahnya 4.

Sekarang Inspect Dataset Best part SuperGradients telah menambahkan transformasi

Jalankan ini semua di bawah sel kode yang ditampilkan.

Langkah 6. Seperti yang sudah saya sebutkan, saya menggunakan model yolo_nas_s untuk pelatihan ini.

Menentukan Metrik dan Parameter Pelatihan

Integrasi dengan alat pemantauan eksperimen.SuperGradients memiliki integrasi asli dengan Tensorboard, Weights and Biases, ClearML, dan DagsHub.

Langkah 7. Mari mulai pelatihan.

Keluaran dari pelatihan yang kita lihat seperti ini akan membutuhkan waktu untuk menampilkan keluarannya.

Akhirnya Pelatihan selesai. Anda akan mendapatkan bobot terbaik dan terakhir di folder pos pemeriksaan.

Langkah 8. Mengevaluasi model yang paling terlatih pada set pengujian.

Langkah 9. Lakukan pendeteksian menggunakan model terbaik.

A. UNTUK GAMBAR.

Jalankan sel kode di bawah ini menggunakan gambar apa pun yang memberikan jalur yang tepat dan menampilkan hasil yang diprediksi

B. UNTUK VIDEO.

Output akan disimpan di folder konten dalam format .mp4.

Terima kasih

Saya telah membuat video tutorial juga tentang topik ini. Anda dapat memeriksanya di Saluran YouTube saya.

Profil LinkedIn Saya —https://www.linkedin.com/in/joelnadar123

Halaman Twitter saya—https://twitter.com/mrtweeter333?t=IrA-LZW5ZMcPL4DL_GZigw&s=09

Silakan hubungi saya jika Anda memerlukan informasi lebih lanjut .