快速开始

MindYOLO 快速入门

本文简要介绍MindYOLO中内置的命令行工具的使用方法。

使用预训练模型进行推理

1. 从模型仓库中选择一个模型及其配置文件，例如， ./configs/yolov7/yolov7.yaml.
2. 从模型仓库中下载相应的预训练模型权重文件。
3. 使用内置配置进行推理，请运行以下命令：

# NPU (默认)
python demo/predict.py --config ./configs/yolov7/yolov7.yaml --weight=/path_to_ckpt/WEIGHT.ckpt --image_path /path_to_image/IMAGE.jpg

# GPU
python demo/predict.py --config ./configs/yolov7/yolov7.yaml --weight=/path_to_ckpt/WEIGHT.ckpt --image_path /path_to_image/IMAGE.jpg --device_target=GPU

有关命令行参数的详细信息，请参阅demo/predict.py -h，或查看其源代码。

• 要在CPU上运行，请将device_target的值修改为CPU.
• 结果将保存在./detect_results目录下

使用命令行进行训练和评估

• 按照YOLO格式准备您的数据集。如果使用COCO数据集（YOLO格式）进行训练，请从yolov5或darknet准备数据集.

  coco/
    {train,val}2017.txt
    annotations/
      instances_{train,val}2017.json
    images/
      {train,val}2017/
          00000001.jpg
          ...
          # image files that are mentioned in the corresponding train/val2017.txt
    labels/
      {train,val}2017/
          00000001.txt
          ...
          # label files that are mentioned in the corresponding train/val2017.txt

• 在多卡NPU/GPU上进行分布式模型训练，以8卡为例:

msrun --worker_num=8 --local_worker_num=8 --bind_core=True --log_dir=./yolov7_log python train.py --config ./configs/yolov7/yolov7.yaml  --is_parallel True

• 在单卡NPU/GPU/CPU上训练模型：

python train.py --config ./configs/yolov7/yolov7.yaml 

• 在单卡NPU/GPU/CPU上评估模型的精度：

python test.py --config ./configs/yolov7/yolov7.yaml --weight /path_to_ckpt/WEIGHT.ckpt

* 在多卡NPU/GPU上进行分布式评估模型的精度：

msrun --worker_num=8 --local_worker_num=8 --bind_core=True --log_dir=./yolov7_log python test.py --config ./configs/yolov7/yolov7.yaml --weight /path_to_ckpt/WEIGHT.ckpt --is_parallel True

注意：

(1) 默认超参为8卡训练，单卡情况需调整部分参数。

(2) 默认设备为Ascend，您可以指定'device_target'的值为Ascend/GPU/CPU。

(3) 有关更多选项，请参阅 train/test.py -h。

(4) 在CloudBrain上进行训练，请在这里查看

部署

请在部署查看.

在代码中使用MindYOLO API

敬请期待