Trenuj YOLO-NAS na niestandardowym zbiorze danych.

Architektura YOLO-NAS jest już dostępna! Nowy YOLO-NAS zapewnia najnowocześniejszą wydajność z niezrównaną dokładnością i szybkością działania, przewyższając inne modele, takie jak YOLOv5, YOLOv6, YOLOv7 i YOLOv8.

Zrozumiemy, jak trenować YOLO-NAS na niestandardowym zbiorze danych. Będę korzystał z zestawu danych Roboflow.

Link do zestawu danych —https://universe.roboflow.com/object-detect-dmjpt/waste-9cbfm

Będziemy używać Google colab do trenowania naszego zbioru danych

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

Krok 1. Instalacja wymaganej biblioteki Może zająć kilka minut.

Krok 2. Uruchom ponownie środowisko wykonawcze przed przejściem do przodu Ważny krok

Krok 3. Pobierz Wstępnie wytrenowane ciężary — yolo_nas_s lub zależą od Twoich wymagań.

Uruchom następną komórkę kodu, pamiętaj, aby w moim przypadku podać poprawny model = yolo_nas_s.

Uruchom tę powyższą komórkę.

Krok 4. Dostrajanie YOLO-NAS na niestandardowym zbiorze danych

Sprawdź, czy katalog został utworzony

Krok 5. Weźmy zestaw danych z roboflow. Link do zestawu danych już wspomniałem na górze.

Uruchom powyższy kod komórki, aby zaimportować wymagane moduły dostarczone przez SuperGradients DataLoaders.

Najważniejszy krok podczas ładowania zestawu danych do trenowania.

W razie potrzeby zmień wielkość partii Zmieniłem ją 4.

Teraz sprawdź zestaw danych Najlepsza część SuperGradienty dodała przekształcenia

Uruchom to wszystko poniżej pokazanych komórek kodu.

Krok 6. Jak już wspomniałem do tego treningu wykorzystuję model yolo_nas_s.

Definiowanie metryk i parametrów treningu

Integracje z narzędziami do monitorowania eksperymentów.SuperGradients ma natywną integrację z Tensorboard, Weights and Biases, ClearML i DagsHub.

Krok 7. Rozpocznij trening.

Wynik szkolenia wygląda tak, że wyświetlenie wyniku zajmie trochę czasu.

Nareszcie trening dobiegł końca. W folderze z punktami kontrolnymi znajdziesz swoje najlepsze i ostatnie wagi.

Krok 8. Ocena najlepiej wyszkolonego modelu na zbiorze testowym.

Krok 9. Pozwól na wykrywanie przy użyciu najlepszego modelu.

A. OBRAZÓW.

Uruchom poniższą komórkę kodu, użyj dowolnego obrazu, podaj właściwą ścieżkę i wyświetl przewidywany wynik

B. DO WIDEO.

Dane wyjściowe zostaną zapisane w folderze zawartości w formacie .mp4.

Dziękuję

Zrobiłem film instruktażowy również na ten temat Możesz to sprawdzić na moim kanale YouTube.

Mój profil na LinkedIn —https://www.linkedin.com/in/joelnadar123

Moja strona na Twitterze —https://twitter.com/mrtweeter333?t=IrA-LZW5ZMcPL4DL_GZigw&s=09

Jeśli potrzebujesz dodatkowych informacji, skontaktuj się ze mną .