Project on Samsung - Development of a methodology for identifying lumber defects in images using deep learning.
(Проект на Самсунг - Разработка методики определения дефектов пиломатериалов на изображениях с использованием глубокого обучения)
Trains using the base args image size, epochs, batch_size (-1 run auto batch_size), iou, type_model_load (n,s,m,l or x, default load m)
python yolo_seg/train.py --imgsz=640 --epochs=50 --batch_size=8 --name='test_model' --iou=0.5 --type_model_load='m'
- Для обучения возьмите предварительно обученную модель imagenet и поместите ее в папку
./weights. - Запустите одну из команд обучения, приведенных ниже.
- Обратите внимание, что во время обучения вы можете нажать ctrl+c, и это сохранит файл
*_interrupt.pthна текущей итерации. - Все веса по умолчанию сохраняются в директории
./weightsс именем файла<config>_<epoch>_<iter>.pth.
- Обратите внимание, что во время обучения вы можете нажать ctrl+c, и это сохранит файл
# Trains using the base config with a batch size of 8 (the default).
python train.py --config=yolact_base_config
# Trains yolact_base_config with a batch_size of 5. For the 550px models, 1 batch takes up around 1.5 gigs of VRAM, so specify accordingly.
python train.py --config=yolact_base_config --batch_size=5
# Resume training yolact_base with a specific weight file and start from the iteration specified in the weight file's name.
python train.py --config=yolact_base_config --resume=weights/yolact_base_10_32100.pth --start_iter=-1
# Use the help option to see a description of all available command line arguments
python train.py --helpstreamlit run startup.py
Находится в папке presentation
Балакишиев Валерий (Balakishiev Valery)