yolov5写毕业论文工作量

在这篇文章中，我们将使用来自 AWS 上的 COCO 数据集（可定制）的图像设置和运行 YOLO。

一般来说，分类技术在自动驾驶 汽车 中没有多大帮助，因为它只预测图像中的一个对象，并且不给出该图像的位置。 而目标检测在自动驾驶 汽车 中非常重要，可以检测场景中的对象及其位置。 YOLO（你只看一次）是由 Joseph Redmon 等人创建的一种高速实时对象检测算法。 YOLO使用卷积神经网络 (CNN)解决概率的回归问题。 后来又进行了一些修改。 为了进行预测，YOLO 只需要通过 CNN 进行一次前向传播。 它输出具有相应边界框的对象。 它广泛用于自动驾驶 汽车 以检测场景中的物体。

第 1 步：设置帐户（这步可以跳过）

登录网站并复制以下内容：

来自 的 API 密钥 中的团队名称。 默认团队名称将是用户 ID。

第 2 步：创建 AWS 实例（如果你在本机训练这步也可以跳过）

在创建实例时，选择“Deep Learning AMI (Ubuntu ) Version — ami-01f1096e6659d38fa”AMI，因为它具有深度学习任务所需的库。 如果我们在“选择AWS机器映像 (AMI)”步骤中搜索“deep learning”，我们可以找到这。为“实例类型”选择 P3 实例。 实例类型 （V100） 就足够了。为了节省成本，请在“配置实例”步骤下选择 Spot 实例。

第 3 步：安装依赖项

登录 AWS 实例后，使用以下命令创建 conda 环境并设置 Weights & Bias 环境变量：

第 4 步：训练、验证和测试

第 5 步：检查指标

验证集真实标签

验证集预测标签

训练的损失

测试

以上所有结果都会保存在文件夹yolov5runsdetectexp下

YOLOV5可以说是图像处理技术，但更准确来说是一种单阶段目标检测算法，机器视觉任务，常见的有分类、检测、分割。而YOLO正是检测中的佼佼者，在工业界，YOLO兼顾精度和速度，往往是大家的首选。

延伸：YOLO将对象检测重新定义为一个回归问题。能够将单个卷积神经网络应用于整个图像，把图像分成网格，并预测每个网格的类概率和边界框。YOLO非常快，由于检测问题是一个回归问题，所以不需要复杂的管道。YOLO比“R-CNN”快1000倍，比“Fast R-CNN”快100倍，YOLOV5是YOLO最新的版本。

若帮助到您，求采纳~