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。
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。
第 1 步：设置帐户（这步可以跳过）
登录wandb.ai网站并复制以下内容：
来自 wandb.ai/authorize 的 API 密钥 wandb.ai/settings 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 18.04) Version 47.0 — 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 p3.2xlarge（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：
代码语言：javascript复制# Create conda environment with name 'test'
$ conda create -n test python=3.9.6 wandb
# login to test environment
$ conda activate test
# clone the latest yolov5 and install the required libraries
$ git clone https://github.com/ultralytics/yolov5
$ cd yolov5
$ pip install -r requirements.txt
# Set the Weights & Bias environment
# Key from https://wandb.ai/authorize$
export WANDB_API_KEY=337....4a8
# Team name from https://wandb.ai/settings
$ export WANDB_ENTITY=user_team_name
# Project name
$ export WANDB_PROJECT=yolov5第 4 步：训练、验证和测试
代码语言：javascript复制# Train a model. By default, it uses data/coco128.yaml and runs for 300 epochs. Dataset is downloaded from https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip (128 images under images/train2017 from coco128.zip)
$ python train.py
# Validate a model for Precision, Recall and mAP (128 images under images/train2017 from coco128.zip).
$ python val.py --weights yolov5s.pt
# There are two images. We can use our custom images.
$ python detect.py --weights yolov5s.pt --source /home/ubuntu/yolov5/data/images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
作者：Surya Gutta
