深度学习基础篇【4】

从0开始搭建

YOLOR 

并进行测试

YOLOR模型于2021年由开发者Chien-Yao Wang, I-Hau Yeh, Hong-Yuan Mark Liao在《You Only Learn One Representation: Unified Network for Multiple Tasks》提出。 人类可以从不同的角度可以分析相同的数据。然而，经过训练的卷积神经网络（CNN）模型通常只能实现一个目标，一般来说，从训练有素的CNN中提取的特征不适用于其他类型的问题。产生上述问题的主要原因是我们只从神经元中提取特征，没有使用CNN中丰富的隐性知识。当真实的人来大脑在运行时，上述的隐性知识可以有效地协助大脑执行各种任务。 图1:人类可以从相同的输入回答不同的问题。我们的目标是训练一个单一的深度神经网络来完成许多任务。 隐性知识是指在潜意识学习地知识。然而没有系统去定义隐性知识如何运作，如何获得隐性知识。在神经网络定义中，从浅层获得的特征通常称为显性知识，从深层获得的特征称为隐性知识。本文将直接把观察到的知识称为显性知识，模型观察不到、与观察无关的知识称为隐性知识。 作者提出一个统一的网络来融合隐性知识(implicit knowledge)和显性知识(explicit knowledge)，确保模型包含一个统一的表征(representation)，这个统一的表征允许子表征(sub-representation)也适用于其他任务。

- 语言环境：Python3.8

- 编译器：jupyter notebook

- 深度学习环境：PyTorch 1.8

- CUDA版本：11.1.1

- 深度学习平台：极链AI云

- 显卡（GPU）：NVIDIA RTX 2080 Ti

       目录

    01 环境搭建

    02 准备工作

    03 图像识别

01 环境搭建

1. 打开极链AI云平台

         https://cloud.videojj.com/?source=100

2. 点击算力租赁

 3. 选择合适的显卡

         此处我们以NVIDIA RTX 2080TI为例

4. 深度学习框架搭建

         框架选择PyTorch，版本1.8

         python版本3.8

         cuda版本11.1

5. 连接实例

创建完成后，点击jupyterlab连接

6. 打开终端

02 准备工作

1. 需求库安装

进入 root 文件夹下，打开终端，输入

pip install pycocotools==2.0.0 # 安装pycocotools

更多内容请左右滑动

2. YOLOR搭建

# cd /...   # 可省略，cd到自己想安装的目录git clone https://github.com/WongKinYiu/yolor.git # 从官网clone整个项目文件

更多内容请左右滑动

03 模型使用

1. 权重文件下载

权重使用 yolor_p6.pt

下载链接:

https://drive.google.com/file/d/1Tdn3yqpZ79X7R1Ql0zNlNScB1Dv9Fp76/view?usp=sharing

下载完成后，上传至 yolor 文件夹中

2. 模型预测

使用权重文件为yolor_p6的模型，推理图片为1280(pixels)，最小置信度为0.25，使用inference/images/horses.jpg文件夹下的文件作为处理图片(默认保存到inference/output文件夹下)​​​​​​​

# 示例python detect.py --source inference/images/horses.jpg --cfg cfg/yolor_p6.cfg --weights yolor_p6.pt --conf 0.25 --img-size 1280 --device 0

更多内容请左右滑动

3. 模型训练​​​​​​​

python train.py# 按需可修改batch_size的大小# 模型默认使用coco数据集，该数据集平台已搭载，可使用ln -s命令软连接

更多内容请左右滑动