YOLOv3在訓練自己資料集時的速度慢問題
YOLOv3以速度快著稱,但是在訓練自己的資料集時發現儘管在命令中同時開啟了多塊gpu,但速度仍舊很慢。
按照其他人的訓練日誌可以看出64batch的單gpu訓練,每次迭代大約需要不到1秒
但是自己在訓練時卻需要好幾個小時,首先想到的是自己的資料集是否圖片解析度太高,比較之後發現差不多,而且在開啟多尺度訓練(設定detector中的random=1)後問題並沒有解決。
控制影響因素:GPU的數量、batchsize的大小之後發現程式似乎不是按照設定的那樣在GPU上執行,並且GPU和batchsize對耗時的影響是疊加關係(batchsize=4時用時是=1時的大約4倍,開啟3片GPU時不是並行而是序列(執行資料變為3倍,時間也隨之變為3倍))
一大堆的嘗試之後,發現問題存在於最初的darknet配置階段,按照論文作者在專案YOLO: Real-Time Object Detection中的敘述,下載完darknet後就直接make了,實際上Makefile中的引數需要設定,GPU=1,cudnn=1,opencv=1,這樣make之後再去跑訓練程式,速度就很快了。
相關推薦
YOLOv3在訓練自己資料集時的速度慢問題
YOLOv3以速度快著稱,但是在訓練自己的資料集時發現儘管在命令中同時開啟了多塊gpu,但速度仍舊很慢。按照其他人的訓練日誌可以看出64batch的單gpu訓練,每次迭代大約需要不到1秒但是自己在訓練時卻需要好幾個小時,首先想到的是自己的資料集是否圖片解析度太高,比較之後發現
yolov3訓練自己資料集可參考文章
參考部落格原址: https://blog.csdn.net/u012966194/article/details/80004647 這篇文章將介紹編譯darknet框架開始,到整理資料集,到用yolo網路實現一個內部資料集中號碼簿的定
Yolov3訓練自己資料集+資料分析
訓練自己到資料集已經在上一篇文中說明過了,這一篇著重記錄一下資料分析過程 資料分析 1. mAP值計算 1)訓練完成後,執行darknet官方程式碼中到 detector valid 命令,生成對測試集到檢測結果,命令如下: ./darknet detector va
【YOLO初探】之 keras-yolov3訓練自己資料集
寫在前面 如何使用官方資料集參看上一篇文章《【YOLO初探】之 使用官方資料集做目標分類》 傳送門:https://blog.csdn.net/plSong_CSDN/article/details/85108256 這裡,筆者使用了260張訓練資料,完成了人臉中“眼睛”、“鼻子”、“嘴
Yolov3程式碼分析與訓練自己資料集
現在要針對我們需求引入檢測模型,只檢測人物,然後是影象能側立,這樣人物在裡面佔比更多,也更清晰,也不需要檢測人佔比小的情況,如下是針對這個需求,用的yolov3-tiny模型訓練後的效果。 Yolov3模型網上也講爛了,但是總感覺不看程式碼,不清楚具體實現看講解總是不清晰,在這分
使用pytorch版faster-rcnn訓練自己資料集
使用pytorch版faster-rcnn訓練自己資料集 引言 faster-rcnn pytorch程式碼下載 訓練自己資料集 接下來工作 參考文獻 引言 最近在復現目標檢測程式碼(師兄強烈推薦F
《錯誤手記-01》 facenet使用預訓練模型fine-tune重新訓練自己資料集報錯
環境資訊:windows10+python3.5+tensorflow1.6.0 問題描述: 在自己的訓練集上跑train_softmax.py. 引數: --logs_base_dir F:/work/runspace/log/ --models_base_
Kaldi中thchs30訓練自己資料集的步驟
一、資料準備過程 網上下載的thchs-openslr資料集需要換成自己的資料集,包含兩個資料夾:data_thchs30和resource。下面講解如何搞定這一部分。 資料集在data_thchs30檔案中,包含四個部分(data、train、dev、test)。 data資料夾中包
Fast RCNN 訓練自己資料集 (1編譯配置)
FastRCNN 訓練自己資料集 (1編譯配置) FastRCNN是Ross Girshick在RCNN的基礎上增加了Multi task training整個的訓練過程和測試過程比RCNN快了許多。別的一些細節不展開,過幾天會上傳Fast RCNN的論文筆記。FastRCNN mAP效能上略有上升。Fa
FCN訓練自己資料集(person-segmentation)、SIFT-FLOW、SBD和VOC實驗總結
最近花了將近一週的時間,基於提供的原始碼,通過參考網上的部落格,跑通了FCN在三個資料集上的訓練以及測試。在這裡寫下總結,即是記錄,又希望能夠對其他剛剛接觸FCN的人有所幫助。 FCN的原始碼地址:https://github.com/shelhamer/fcn.berkeleyvision.o
windows10+GPU下caffe資料集Lmdb格式製作+訓練自己資料集
最近做人臉識別專案,想用到caffe訓練自己的資料,電腦作業系統為win10+GPU,這裡對caffe-windows配置、資料集製作、訓練資料都做一些介紹。(無GPU配置的看我這個部落格)。如果你用的是vs2015,那麼下面介紹的caffe不適合,要用BVLC wind
如何利用caffe訓練自己資料集
這篇博文主要參考了另一位博主https://blog.csdn.net/hellohaibo,在此向他表示感謝 首先,博主今天的caffe崩了,毫無徵兆的崩了,具體表現為博主想做一個更大的資料集,但是在生成lmbd檔案時永遠生成的是一個沒有名字的資料夾,可是博主已經在指定的example目錄裡寫了
Faster-RCNN 訓練自己資料集的坑記錄
主要照這篇部落格進行訓練配置,因為沒有GPU所以好多坑,CPU訓練可以參見這篇部落格 正所謂,跑通了的都一樣,錯誤千萬樣。按照教程來也是坑多 訓練: python train_faster_rcnn_alt_opt.py --net_name ZF --weights
驗證性試驗:yolov3訓練coco資料集
Yolov3 中作者列出了使用coco資料集訓練的資料結果,其中顯示在輸入圖片大小為416x416的時候,模型的mAP大小為31%,當輸入圖片大小為608x608的時候,模型的mAP達到33%,論文中結果截圖如下: 我們做了個實驗,目的是驗證當我們自己訓練的時候
FastRCNN 訓練自己資料集(二)——修改讀寫介面
這裡樓主講解了如何修改Fast RCNN訓練自己的資料集,首先請確保你已經安裝好了Fast RCNN的環境,具體的編配編制操作請參考我的上一篇文章。首先可以看到fast rcnn的工程目錄下有個Lib目錄這裡下面存在3個目錄分別是:datasetsfast_rcnnroi_d
FastRCNN 訓練自己資料集(一)——編譯配置
FastRCNN是Ross Girshick在RCNN的基礎上增加了Multi task training整個的訓練過程和測試過程比RCNN快了許多。別的一些細節不展開,過幾天會上傳Fast RCNN的論文筆記。FastRCNN mAP效能上略有上升。Fast RCNN中,提取OP的過程和訓練過程仍
py-faster-rcnn訓練自己資料集需要修改的引數
faster rcnn預設有三種網路模型ZF(小)、VGG_CNN_M_1024(中)、VGG16 (大) 訓練圖片大小為500*500,類別數1。 修改VGG_CNN_M_1024模型配置
Fast RCNN 訓練自己資料集 (2修改資料讀取介面)
Fast RCNN訓練自己的資料集 (2修改讀寫介面) 這裡樓主講解了如何修改Fast RCNN訓練自己的資料集,首先請確保你已經安裝好了Fast RCNN的環境,具體的編配編制操作請參考我的上一篇文章。首先可以看到fast rcnn的工程目錄下有個Lib目錄 這裡下面存在3個目錄分別是: datase
用YOLOv3訓練WIDER_FACE資料集
- 剛開始想訓練的時候忘了百度一下沒有沒可以直接轉換的指令碼。。。就自己寫了。。。- 後來發現網上的轉換指令碼基本都是把 WIDER_FACE先轉換成VOC再用yolo提供的準換工具,轉成yolo所需格式。。。- 自己寫的是直接轉成yolo所需的格式的,版本python3.6
YOLO訓練自己資料集配置檔案修改.md
VOC2016 最早1093張personVOC2017 劉堯792張personVOC2018 恩德792張person_handVOC2019 person_head_hand(hand/hand1) 但是可以不生成hand1的labelVOC2020 person_head_hand size=224*