1.我从coco数据集提取了12个类，数据集制作好了
2.更改了configs中fasterrcnn的类别数
，更改了coco.py里的
和mmdet\core\evaluation\class_names.py中的
3.重新编译
4.执行命令 python .\tools\train.py .\configs\faster_rcnn\faster_rcnn_r101_fpn_1x_coco.py
版权声明：本文为CSDN博主「故乡的云和星星」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_39328536/article/details/122416024
这篇文章主要讲怎样使用YOLOv4算法作者提供的YOLOv4源码来训练自己的数据集 运行环境的搭建和源码的测试可以参考我的上一篇文章Windows10YOLOv4Darknet训练自己的数据（一） 一、数据集制作
YOLOV1 1. Introduction YOLO非常简单：对于一张完整的图像，通过一个单一的卷积网络可以同时预测多个bounding boxes的回归参数和这些boxes的类别概率，并直接优化检
本文主要写了使用yolov4进行模型训练前的数据准备。darknet框架使用的数据格式是yolo格式，但我们常见的目标检测数据格式是COCO和VOC.所以本文将以车辆检测为例，将coco2017和voc2007及vo
Pix2Seq：一个简单而通用的目标检测新框架， 其将目标检测转换为语言建模任务，大大简化了pipeline，性能可比肩Faster R-CNN和DETR！还可扩展到其他任务
暂无评论