自主网站建设wordpress不显示首页登录

自主网站建设,wordpress不显示首页登录,如何查外贸网站外链,免费微信网站怎么做智慧桥梁数据集#xff0c;桥梁部件和缺陷多标签分割与检测数据集#xff0c;5.4GB#xff0c;来自100多座不同桥梁的9920张图像#xff0c;专门为实际使用而设计的包括桥梁检查标准定义的所有视觉上独特的损伤类型。数据集中的标签类别#xff0c;共分为3大类#xff0c…智慧桥梁数据集桥梁部件和缺陷多标签分割与检测数据集5.4GB来自100多座不同桥梁的9920张图像专门为实际使用而设计的包括桥梁检查标准定义的所有视觉上独特的损伤类型。数据集中的标签类别共分为3大类19小类分割提供yolojson两种标注方式检测提供yolo标注方式。第一类[1]混凝土缺陷标签空洞、风化、短吻鳄裂缝、剥落、重新成型、暴露的钢筋、空洞区域、裂缝、岩袋类第二类[2]一般缺陷标签锈蚀、湿斑、风化、涂鸦类。第三类[3]物体部件标签轴承、伸缩缝、排水、防护设备、接缝胶带、冲刷/混凝土腐蚀等级[1]concrete defect tag: cavity,efflorescence,alligator crack,spalling,restformwork,exposed rebars, hollowareas, crack, rockpocket classes,[2]general defect tag: rust, wetspot, weathering, graffiti classes.[3]object part tag: bearing, expansion joint, drainage, protective equipment, joint tape, washouts/concrete corrosion classes以下是每一类的数量统计Class类别ㅤImages数量ㅤObjects目标数ㅤCount on imageaverage平均每张图目标数 Area on imageaverage平均每张图目标占比rust➔polygon 3915 14720 3.76 4.55%spalling➔polygon 3739 9884 2.64 5.48%weathering➔polygon 3096 4634 1.5 34.5%crack➔polygon 1981 3626 1.83 1.33%efflorescence➔polygon 1729 3965 2.29 9.34%protective equipment➔polygon 1494 1890 1.27 20.66%cavity➔polygon 1355 9271 6.84 4.67%hollowareas➔polygon 1252 1557 1.24 17.87%drainage➔polygon 1181 1652 1.4 6.62%wetspot➔polygon 1109 1661 1.5 18.57%根据您提供的信息这是一个包含桥梁部件和缺陷的多标签分割与检测数据集共有5.4GB的数据量来自100多座不同桥梁的9920张图像。数据集中的标签分为三大类共19个小类并且提供了YOLO格式和JSON格式的标注文件。接下来我将为您详细说明如何处理这个数据集包括数据准备、模型训练和评估。1. 数据集准备假设您的数据集目录结构如下bridge_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── bridge_data.yaml每个图像文件对应一个标签文件标签文件是TXT或JSON格式具体取决于您选择使用的标注方式。2. 创建数据集配置文件创建一个bridge_data.yaml文件内容如下train:../bridge_dataset/images/trainval:../bridge_dataset/images/valnc:19# 总共有19个类别names:[cavity,efflorescence,alligator_crack,spalling,restformwork,exposed_rebars,hollow_areas,crack,rockpocket,rust,wetspot,weathering,graffiti,bearing,expansion_joint,drainage,protective_equipment,joint_tape,washouts_concrete_corrosion]3. 准备YOLO配置文件如果您使用的是YOLOv5可以使用预定义的配置文件例如models/yolov5s.yaml。如果您需要自定义网络结构可以根据需要修改配置文件。4. 训练模型使用YOLOv5进行训练假设您已经安装了所有必要的依赖项并且数据集和配置文件都已准备好可以运行以下命令来开始训练python train.py --img640--batch16--epochs100--data bridge_data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --name bridge_yolov5s参数说明--img 640输入图像的大小。--batch 16批量大小。--epochs 100训练轮数。--data bridge_data.yaml数据集配置文件路径。--cfg models/yolov5s.yaml模型配置文件路径。--weights yolov5s.pt预训练权重文件。--name bridge_yolov5s实验名称用于保存训练结果。使用YOLOv7进行训练如果您想使用最新的YOLOv7可以按照以下步骤操作克隆YOLOv7仓库并安装依赖项gitclone https://github.com/WongKinYiu/yolov7cdyolov7 pipinstall-r requirements.txt运行训练脚本python train.py --img640--batch16--epochs100--data bridge_data.yaml --cfg cfg/training/yolov7.yaml --weights yolov7.pt --name bridge_yolov7参数说明--img 640输入图像的大小。--batch 16批量大小。--epochs 100训练轮数。--data bridge_data.yaml数据集配置文件路径。--cfg cfg/training/yolov7.yaml模型配置文件路径。--weights yolov7.pt预训练权重文件。--name bridge_yolov7实验名称用于保存训练结果。5. 评估模型训练完成后您可以使用以下命令来评估模型在验证集上的性能python val.py --data bridge_data.yaml --weights runs/train/bridge_yolov5s/weights/best.pt --img640--conf0.5--iou0.5参数说明--data bridge_data.yaml数据集配置文件路径。--weights runs/train/bridge_yolov5s/weights/best.pt最佳权重文件路径。--img 640输入图像的大小。--conf 0.5置信度阈值。--iou 0.5IOU阈值。6. 推理和可视化您可以使用以下命令来进行推理并可视化结果python detect.py --source bridge_dataset/images/val --weights runs/train/bridge_yolov5s/weights/best.pt --conf0.5--save-txt --save-conf --save-crop参数说明--source bridge_dataset/images/val测试图像的路径。--weights runs/train/bridge_yolov5s/weights/best.pt最佳权重文件路径。--conf 0.5置信度阈值。--save-txt保存预测结果到TXT文件。--save-conf保存置信度信息。--save-crop保存裁剪后的目标图像。7. 总结以上步骤展示了如何使用YOLOv5或YOLOv7进行桥梁部件和缺陷的目标检测。您可以根据需要调整配置文件和训练参数以获得更好的性能。