Google Colab+ TensorFlow2.x-YOLOv3 训练自定义数据库

Google Colab可以免费使用Tesla K80 GPU + 15G免费空间。在Intel(R) Core(TM) i7-8550U CPU 8G RAM的无GPU的笔记本中,需要14个小时的TensorFlow2.x-YOLOv3 自定义数据库的训练,在Google Colab Tesla K80 GPU 仅需要35分钟可训练完成。

本文将记录如何在Google Colab中完成上一篇文章TensorFlow2.x-YOLOv3训练自定义数据库提到的训练。本攻略需要在可以正常访问谷歌云盘的前提下参考。

参考文献

欢迎使用 Colab(https://colab.research.google.com/notebooks/intro.ipynb#scrollTo=-Rh3-Vt9Nev9)

Google Colab使用步骤

1. 登录谷歌云盘,在云盘中新建名为colab_GPU文件夹,进入新建的文件夹,在文件夹内的空白处单击右键,在弹出菜单中选择【更多】—> 选择 Colaboratory。

若是首次使用,【更多】可能没有Colaboratory,选择【关联更多应用】,在搜索栏搜索Colaboratory并添加即可。

2. 根据提示进行笔记本设置,设置完成后,即可运行Python代码,试运行代码及结果如下。

Google Colab+ TensorFlow2.x-YOLOv3 训练自定义数据库

1. 安装Keras

Colab 自带了 Tensorflow、Matplotlib、Numpy 等基础库,但并没有keras。要训练TensorFlow2.x-YOLOv3 自定义数据库,我们首先运行下面的代码来安装必要的库和授权:

根据提示进行操作,操作成功后的提示 如下:

每次打开新的Colab Notebook或者断开后重新连接,都需要重新授权。

2. 授权成功后安装Keras。

3. 将训练文件上传至谷歌云盘新建的Colab_GPU文件夹内,并解压缩。

4. 为了沿用训练程序中的相对路径,切换工作路径。每次打开新的Colab Notebook或者断开后重新连接,需要重新设置工作路径

5. 开始训练

Google Colab+ TensorFlow2.x-YOLOv3 训练模型的使用方法

请参考TensorFlow2.x-YOLOv3训练自定义数据库一文中的【如何在自己的程序中调用训练模型】这一节章节。在本地电脑中训练完成后,train.py路径下会发现“yolov3.index”和”yolov3.data-00000-of-00001″这两个文件,它们就是我们训练得到的模型。但在Google Colab中,train.py路径下会有三个文件生成,如下所示,我们用这三个文件替代本地电脑中生成的两个文件即可,其他部分不需要做任何修改。

本文到此结束,感谢阅读,欢迎关注。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据

Fork me on GitHub