台州网站建设制作,重庆网站建设公司有哪些内容,苏州做管网gis的网站,云南文山邮编作者#xff1a;CSDN _养乐多_
本文将介绍如何通过YOLO框架和遥感图像进行目标检测的代码。 文章目录 一、数据集下载与格式转换1.1 NWPU VHR-10#xff08;73.1 MB#xff09;1.2 DIOR#xff08;7.06 GB#xff09;1.3 配置data.yaml 二、训练三、训练结果 一、数据集…作者CSDN _养乐多_
本文将介绍如何通过YOLO框架和遥感图像进行目标检测的代码。 文章目录 一、数据集下载与格式转换1.1 NWPU VHR-1073.1 MB1.2 DIOR7.06 GB1.3 配置data.yaml 二、训练三、训练结果 一、数据集下载与格式转换
下载数据集之后统一转换为YOLO格式。
1.1 NWPU VHR-1073.1 MB
下载链接https://opendatalab.com/OpenDataLab/NWPU_VHR-10
标注信息
class_id_to_name {0: 飞机,1: 船只,2: 储油罐,3: 棒球场,4: 网球场,5: 篮球场,6: 跑道场地,7: 港口,8: 桥梁,9: 车辆
}NWPU VHR-10 数据集转换为YOLO格式参考博客《python将 NWPU_VHR-10 遥感目标检测数据集转换成 YOLO 格式》。并配置data.yaml文件。
1.2 DIOR7.06 GB
下载链接https://opendatalab.com/OpenDataLab/DIOR
DIOR数据集转换为YOLO格式参考博客《YOLOVOC格式数据集转换为YOLO数据集格式》并配置data.yaml文件。
1.3 配置data.yaml
data.yaml 文件中写入以下几行代码。保存。
修改训练图片路径和验证路径。
train: E:\\DataSet\\NWPU-YOLO\\train
val: E:\\DataSet\\NWPU-YOLO\\val
nc: 10
#names: [飞机, 船只, 储油罐, 棒球场, 网球场, 篮球场, 跑道场地, 港口, 桥梁, 车辆]
names: [Airplane, Ship, Oil Tank, Baseball Field, Tennis Court, Basketball Court, Runway, Harbor, Bridge, Vehicle]二、训练
from ultralytics import YOLO
from swanlab.integration.ultralytics import add_swanlab_callbackif __name__ __main__:model YOLO(yolov8n.pt)add_swanlab_callback(model, projecttraining_project)model.train(dataD:/data.yaml, epochs10, workers0) metrics model.val()# model.predict(../测试图片/00011.jpg, imgsz640, saveTrue, device0)path model.export(formatonnx)三、训练结果
训练100次。 标注数据1 预测结果1 标注数据2 预测数据2
