YOLOR

1. 參數修改

   1.1 修改coco.yaml參數檔檔

   

   1.2 修改coco.names：0-9、A-Z(扣掉I、O)，共34個類別。

   

   1.3 修改cfg/yolor_p6.cfg

   • width、height：第4、5行改為640。

     

   • classes：第1614、1658、1702、1746行需為34。

     

   • filters：(34+5)*3=117。

     • 第1569、1573、1577、1581行需為117。

     

     • 第1605、1649、1693、1737行需為117。

     

2. 訓練模型

   2.1 訓練參數

   • batch size=1、image size=1280、epochs=50

     

   • batch size=1、image size=640、epochs=50

     

   2.2 GPU占用

   • image size=1280：5.04G

     

   • image size=640：1.65G

     

3. 訓練結果

   3.1 mAP@0.5

   • image size=1280：0.127
   • image size=640：0.15

   3.2 訓練50epochs花費

   • image size=1280：0.41小時
   • image size=640：0.265小時

   

   

YOLOv7

1. 參數修改

   1.1 修改coco.yaml參數檔檔(同YOLOR)

   1.2 修改coco.names：0-9、A-Z(扣掉I、O)，共34個類別。(同YOLOR)

   1.3 修改cfg/training/yolov7.yaml

   • nc：dataset1中共有34個類別。

     

2. 訓練模型

   2.1 訓練參數：batch size=1、image size=640、epochs=50

   

   2.2 GPU占用：2.51G

   

3. 訓練結果

   3.1 mAP@0.5：0.0901

   3.2 訓練50epochs花費：0.222小時

   

小結

1. 下一站，我們接續「YOLOX」模型訓練，並比對5種YOLO模型效能。

讓我們繼續看下去...

參考資料

1. 中鋼人工智慧挑戰賽-字元辨識