再來是開啟 VS Code，選擇先前安裝設定的 Yolo 資料夾
再來需要設定編譯的環境
>python select Interpreter
選擇預計要使用的 開發環境
在訓練自己的資料前，需要手動設定一些檔案與參數
(1)在 yolo/config/dataset 加入對應的 YAML檔案
在這檔案設定好 訓練影像的路徑 與 分類數量與名稱
(2)設定config.yaml
Yolo v9 rd 可使用傳統的 Yolo 的格式 與使用 COCO 的格式，
Yolo格式的檔案的放置方式
CoCo 的檔案格式放法
至於 影像標註 建議的軟體可以使用 labelme 或 CVAT
檔案設置好後 即可使用指令 開始訓練
python yolo/lazy.py task=train name=test task.data.batch_size=8 dataset=Sticker model=v9-t task.epoch=100 device=0 out_path="d:\temp\yolo"
python：就不用多說，啟用 python的指令
yolo/lazy.py：執行 lazy.py
task=train：任務參數 執行 train
name=test：設定此任務的名稱
task.data.batch_size=8：記憶體越大可以再加大，但太大如記憶體不夠大，會導致訓練崩潰，導致停止訓練
dataset=Sticker：指定訓練用的資料，配合先前設定的 yaml檔案
model=v9-t：指定訓練的model，
task.epoch=100：設定訓練的回合數，但有另外擴增的方式，可提前結束訓練
device=0：指定使用 GPU:0
out_path="d:\temp\yolo" 指定輸出Log與wandb的存檔位置
看到這畫面表示 影像已經開始順利訓練，但相信很多人就算訓練100回合 甚至 500回合
AP@.5:.95 的分數 一直都是 0
這個分數表示在驗證時候的分數，由0.5 每0.1 做一個間距 0.5 0.65 0.75 0.85 0.95 做檢驗時的平均分數
算是一個很嚴格的分數指標，分數越大表示訓練的影像在驗證的影像中取得很好的偵測效果
下一篇來介紹，如何修正，才能順利在訓練過程中取得良好的分數
留言列表
