学习视频：YOLOV7改进-添加基于注意力机制的目标检测头(DYHEAD)_哔哩哔哩_bilibili代码地址：objectdetection_script/yolov5-dyhead.pyatmaster·z1069614715/objectdetection_script(github.com)#Copyright(c)OpenMMLab.Allrightsreserved.importtorchimporttorch.nnasnnimporttorch.nn.functionalasFfrommmcv.cnnimportbuild_activation_layer,build_norm_

本文介绍了使用用于目标检测的自定义数据训练YOLOv8模型。我正在使用来自kaggle的yolo格式的“FaceMaskDataset”，数据集链接如下：https://www.kaggle.com/datasets/maalialharbi/face-mask-dataset?resource=downloadYOLOv8是目前最先进的YOLO模型，可用于目标检测、图像分类和实例分割任务。我使用GoogleColab进行训练，如果您有兴趣使用YOLOv5对自定义数据进行检查，可是使用下面链接中的代码：https://github.com/Balakishan77/yolov5_custom_

因为电脑里有配置paddle环境，当时用的cuda11.2，现在又要配置torch环境，查看torch官网后发现没有cuda11.2版本对应的torch下载。考虑到版本向下兼容，可能不一定非要下载cuda=11.2对应的那个版本的torch，或许低于这个版本就可以。所以我就选择下载cuda11.1的版本。以下是pytorch对应的稳定版的网址下载链接，可以根据需要找到对应的torch版本下载，https://download.pytorch.org/whl/torch_stable.html当然也可以在官网PreviousPyTorchVersions|PyTorch直接选择#CUDA11.1

文章目录前言前提说明一、环境搭建1.1、GPU环境Anaconda安装CUDA安装CUDNN安装（可不装，加速深度学习用途）二、项目启动2.1、构建yolov5环境2.2、实战深度学习预测示例1：预测图片示例2：预测视频上面案例过程中的问题1、CUDA不匹配当前GPU的版本（卸载重装）2、重新安装pyotrch版本2.3、训练模型YOLOv5神经网络案例1：训练官方提供的数据集直接运行可能碰到的问题解决方案问题1、出现从github上下载的情况，速度特别慢问题2：'distutils'hasnoattribute'version'问题3：variableKMP_DUPLICATE_LIB_OK

文章目录前言前提说明一、环境搭建1.1、GPU环境Anaconda安装CUDA安装CUDNN安装（可不装，加速深度学习用途）二、项目启动2.1、构建yolov5环境2.2、实战深度学习预测示例1：预测图片示例2：预测视频上面案例过程中的问题1、CUDA不匹配当前GPU的版本（卸载重装）2、重新安装pyotrch版本2.3、训练模型YOLOv5神经网络案例1：训练官方提供的数据集直接运行可能碰到的问题解决方案问题1、出现从github上下载的情况，速度特别慢问题2：'distutils'hasnoattribute'version'问题3：variableKMP_DUPLICATE_LIB_OK

一、概念num_workers是Dataloader的概念，默认值是0。是告诉DataLoader实例要使用多少个子进程进行数据加载(和CPU有关，和GPU无关)如果num_worker设为0，意味着每一轮迭代时，dataloader不再有自主加载数据到RAM这一步骤（因为没有worker了），而是在RAM中找batch，找不到时再加载相应的batch。缺点当然是速度慢。当num_worker不为0时，每轮到dataloader加载数据时，dataloader一次性创建num_worker个worker，并用batch_sampler将指定batch分配给指定worker，worker将它负责

一、概念num_workers是Dataloader的概念，默认值是0。是告诉DataLoader实例要使用多少个子进程进行数据加载(和CPU有关，和GPU无关)如果num_worker设为0，意味着每一轮迭代时，dataloader不再有自主加载数据到RAM这一步骤（因为没有worker了），而是在RAM中找batch，找不到时再加载相应的batch。缺点当然是速度慢。当num_worker不为0时，每轮到dataloader加载数据时，dataloader一次性创建num_worker个worker，并用batch_sampler将指定batch分配给指定worker，worker将它负责

文章目录车流量检测导言环境要求AnacondaCUDAcudnnYOLOPytorchPycharm步骤1.训练模型得到权重文件数据集2.视频处理3.目标跟踪方法4.虚拟线圈算法流程图核心代码结果展示车流量检测导言环境要求Anaconda安装见：https://blog.csdn.net/qq_43529415/article/details/100847887CUDAcudnnCUDA和cudnn的安装见：https://blog.csdn.net/qq_44824148/article/details/120875736YOLOPytorchPycharm步骤1.训练模型得到权重文件数据集

文章目录车流量检测导言环境要求AnacondaCUDAcudnnYOLOPytorchPycharm步骤1.训练模型得到权重文件数据集2.视频处理3.目标跟踪方法4.虚拟线圈算法流程图核心代码结果展示车流量检测导言环境要求Anaconda安装见：https://blog.csdn.net/qq_43529415/article/details/100847887CUDAcudnnCUDA和cudnn的安装见：https://blog.csdn.net/qq_44824148/article/details/120875736YOLOPytorchPycharm步骤1.训练模型得到权重文件数据集

一、修改val.py文件data换为自己的数据集对应的yaml文件weights换为训练自己数据集得到的权重batchsize这里要设置为1 二、运行val.py文件后可得pre-process：图像预处理时间，包括图像保持长宽比缩放和padding填充，通道变换（HWC->CHW）和升维处理等；inference：推理速度，指预处理之后的图像输入模型到模型输出结果的时间；NMS：你可以理解为后处理时间，对模型输出结果经行转换等；FPS=1000ms除以这三个时间之和