Обучить более точные модели детектирования лиц #1

New issue

Closed

opened 2023-04-09 12:32:25 +00:00 by nesvetaevgy_placeholder_1xavb6p · 0 comments

nesvetaevgy_placeholder_1xavb6p commented

2023-04-09 12:32:25 +00:00

(Migrated from git.csit.sgu.ru)

Для более точного детектирования лиц на изображениях, видео и видеопотоке стоит обучить более точные и тяжелые модели YOLOv8, в оличии от n-версии, и сохранить веса для дальнейшего использования на PyTorch:

s-версия
m-версия
l-версия
x-версия

Для этого можно воспользоваться готовым трейнером YOLOv8 в модуле ultralytics и предобученными весами (см. репозиторий ultralytics, в котором содержаться предобученные веса и описано использование трейнера), а также можно воспользоваться готовым датасетом для детектирования лиц WIDER FACE.

Отмечу, что для обучения моделей ultralytics на датасете WIDER FACE необходимо не только определить .yaml файл, но и реорганизовать файлы датасета конкретно для трейнера (см. инструкцию).

Выбор количества эпох для обучения представляет из себя исследовательскую задачу. Для начала можно выбрать то количество эпох, которое использовалось для обучения предобученных моделей самого YOLOv8 от ultralytics. А затем скорректировать его на той эпохе, на которой модель перестает обучаться.

Думаю, не стоит упомянать о том, что модель стоит обучать на GPU или TPU. Пример использования трейнера на TPU можно посмотреть здесь.

Вы можете сохранять результаты своей работы в отдельной ветки под названием а ля yolov8-weights/frui.

Да прибудет с вами Сила.

Для более точного детектирования лиц на изображениях, видео и видеопотоке стоит обучить более точные и тяжелые модели YOLOv8, в оличии от _n_-версии, и сохранить веса для дальнейшего использования на PyTorch: - [ ] _s_-версия - [ ] _m_-версия - [ ] _l_-версия - [ ] _x_-версия Для этого можно воспользоваться готовым **трейнером** YOLOv8 в модуле `ultralytics` и предобученными весами (см. репозиторий [ultralytics](https://github.com/ultralytics/ultralytics), в котором содержаться предобученные веса и описано использование трейнера), а также можно воспользоваться готовым датасетом для детектирования лиц [WIDER FACE](http://shuoyang1213.me/WIDERFACE/). Отмечу, что для обучения моделей ultralytics на датасете WIDER FACE необходимо не только определить .yaml файл, но и реорганизовать файлы датасета конкретно для трейнера (см. [инструкцию](https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data)). Выбор количества эпох для обучения представляет из себя исследовательскую задачу. Для начала можно выбрать то количество эпох, которое использовалось для обучения предобученных моделей самого YOLOv8 от ultralytics. А затем скорректировать его на той эпохе, на которой модель перестает обучаться. Думаю, не стоит упомянать о том, что модель стоит обучать на GPU или TPU. Пример использования трейнера на TPU можно посмотреть [здесь](https://github.com/ultralytics/ultralytics/issues/944?ysclid=lg9drw9z7x151703658). Вы можете сохранять результаты своей работы в отдельной ветки под названием а ля _yolov8-weights/frui_. Да прибудет с вами Сила.

nesvetaevgy_placeholder_1xavb6p (Migrated from git.csit.sgu.ru) closed this issue

2025-11-04 11:52:04 +00:00