WIN10+CUDA10.1环境下Keras-YoloV3训练教程（超简单！）_yolov3-keras环境详细安装教程

keras

722 浏览量更新于2023-03-16 评论收藏 59KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

WIN10+CUDA10.1环境下环境下Keras-YoloV3训练教程（超简单！）训练教程（超简单！）

WIN10+CUDA10.1环境下环境下Keras-YoloV3训练教程训练教程环境配置准备过程数据集标注过程数据集准备过程：一二训练过程测试过程最后

环境配置环境配置

CUDA和Keras的安装可以参考我的上一篇博客这是链接。

需要注意的是，Tensorflow有GPU和CPU两个版本。

如果我们同时安装了CPU和GPU版本，此时安装Keras，会默认安装CPU的版本的Keras，无法使用GPU进行加速训练。

解决方法就是先卸载Tensorflow，只用pip安装GPU版本，然后再pip安装Keras即可。

准备过程准备过程

数据集标注过程数据集标注过程

Keras版本YOLOV3使用的VOC格式的数据集，也就是标注文件后缀为xml，我们使用LabelImg标注即可

注：Windows下EXE闪退的，直接pip安装labelImg，然后在scipy文件夹内找到EXE即可

如果是Github上下载的文件夹形式，在cmd中运行下列命令

pyrcc5 -o libs/resources.py resources.qrc

python labelImg.py

主界面：

原创文章 9获赞 15访问量 8825

关注

私信

展开阅读全文

作者：Blddwkb

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余0页未读，立即下载

Installing collected packages: absl-py, opt-einsum, typing-extensions, importlib-metadata, markdown, protobuf, pyasn1, rsa, pyasn1-modules, cachetools, google-auth, oauthlib, requests-oauthlib, google-auth-oauthlib, grpcio, tensorboard, keras-preprocessing, gast, astor, keras-applications, google-pasta, termcolor, tensorflow-estimator, tensorflow Attempting uninstall: importlib-metadata Found existing installation: importlib-metadata 1.5.0 Uninstalling importlib-metadata-1.5.0: Successfully uninstalled importlib-metadata-1.5.0 Successfully installed absl-py-1.4.0 astor-0.8.1 cachetools-4.2.4 gast-0.2.2 google-auth-1.35.0 google-auth-oauthlib-0.4.6 google-pasta-0.2.0 grpcio-1.56.0 importlib-metadata-6.7.0 keras-applications-1.0.8 keras-preprocessing-1.1.2 markdown-3.4.3 oauthlib-3.2.2 opt-einsum-3.3.0 protobuf-4.23.4 pyasn1-0.5.0 pyasn1-modules-0.3.0 requests-oauthlib-1.3.1 rsa-4.9 tensorboard-2.0.2 tensorflow-2.0.0 tensorflow-estimator-2.0.1 termcolor-2.3.0 typing-extensions-4.7.1 翻译一下

安装的软件包列表：absl-py、opt-einsum、typing-extensions、importlib-metadata、markdown、protobuf、pyasn1、rsa、pyasn1-modules、cachetools、google-auth、oauthlib、requests-oauthlib、google-auth-oauthlib、grpcio、tensorboard、k

Keras和yolov5

引用\[1\]中提到，YoloV5使用的主干特征提取网络为CSPDarknet，它采用了残差网络Residual，并且主干部分由残差卷积构成。残差卷积包括一次1X1的卷积和一次3X3的卷积，而残差边部分则直接将主干的输入与输出结合。整个YoloV5的主干部分都由残差卷积构成。引用\[2\]和\[3\]中提到了使用Keras和Tensorflow2搭建YoloV5目标检测平台的方法。这些文章详细

cyberzhg / keras-self-attention pytorch实现

cyberzhg / keras-self-attention是一个用于实现自注意力机制（self-attention）的Python库，基于Keras框架开发。而keras-self-attention pytorch实现则是将该库在PyTorch框架下重新实现。自注意力机制是一种用于处理序列数据的注意力机制，它通过对来自不同位置的输入进行加权组合，从而实现对关键信息的集中关注。在自然语言处

ERROR: Ignored the following versions that require a different python version: 3.9.0 Requires-Python >=3.8 ERROR: Could not find a version that satisfies the requirement keras-nightly~=2.5.0.dev (from tensorflow) (from versions: none) ERROR: No matching distribution found for keras-nightly~=2.5.0.dev是啥意思

这个错误提示意味着无法找到符合要求的`keras-nightly`库的版本。`keras-nightly`是TensorFlow库的一个依赖项，用于深度学习模型的构建和训练。根据错误提示，它需要的是版本号约为2.5.0的开发版本（`dev`），并且要求Python的版本大于等于3.8。这种情况下，你可以尝试以下解决方法： 1. 检查Python版本：确保你的Python版本大于等于3.8。你

kaggle中WARNING: Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by 'NewConnectionError('<pip._vendor.urllib3.connection.HTTPSConnection object at 0x7a356dc338d0>: Failed to establish a new connection: [Errno -3] Temporary failure in name resolution')': /simple/keras-bert/ WARNING: Retrying (Retry(total=3, connect=None, read=None, redirect=None, status=None)) after connection broken by 'NewConnectionError('<pip._vendor.urllib3.connection.HTTPSConnection object at 0x7a356dc33410>: Failed to establish a new connection: [Errno -3] Temporary failure in name resolution')': /simple/keras-bert/ WARNING: Retrying (Retry(total=2, connect=None, read=None, redirect=None, status=None)) after connection broken by 'NewConnectionError('<pip._vendor.urllib3.connection.HTTPSConnection object at 0x7a356dc33290>: Failed to establish a new connection: [Errno -3] Temporary failure in name resolution')': /simple/keras-bert/ WARNING: Retrying (Retry(total=1, connect=None, read=None, redirect=None, status=None)) after connection broken by 'NewConnectionError('<pip._vendor.urllib3.connection.HTTPSConnection object at 0x7a356dc33590>: Failed to establish a new connection: [Errno -3] Temporary failure in name resolution')': /simple/keras-bert/ WARNING: Retrying (Retry(total=0, connect=None, read=None, redirect=None, status=None)) after connection broken by 'NewConnectionError('<pip._vendor.urllib3.connection.HTTPSConnection object at 0x7a356dc354d0>: Failed to establish a new connection: [Errno -3] Temporary failure in name resolution')': /simple/keras-bert/ ERROR: Could not find a version that satisfies the requirement keras_bert (from versions: none) ERROR: No matching distribution found for keras_bert

这个问题可能是由于网络问题导致的。Kaggle 服务器无法连接到 PyPI（Python 包索引）服务器以下载 Keras-Bert 库。解决这个问题的一种方法是使用 Kaggle 内置的 Internet 连接。在 Kaggle Notebook 的右侧栏中，单击“Settings”选项卡，然后打开“Internet”开关。这将启用 Kaggle Notebook 的 Internet 连接

import ffmpeg input_file = '/home/wangshengsong/MTCNN/mtcnn-keras-master/img/video/video_primary_35_228.mp4' output_pattern = '/home/wangshengsong/MTCNN/mtcnn-keras-master/img/frames/frame_%05d.jpg' input_stream = ffmpeg.input(input_file) output_stream = ffmpeg.output(input_stream, output_pattern, vf='fps=1') ffmpeg.run(output_stream) (base) wangshengsong@guest-server:/home/wangshengsong$ /opt/anaconda3/bin/python /home/wangshengsong/MTCNN/mtcnn-keras-master/myffmpeg.py Traceback (most recent call last): File "/home/wangshengsong/MTCNN/mtcnn-keras-master/myffmpeg.py", line 8, in <module> input_stream = ffmpeg.input(input_file) AttributeError: module 'ffmpeg' has no attribute 'input'

这个错误是因为你导入的 `ffmpeg` 模块中没有 `input` 属性。根据你的代码，你可能使用的是 `ffmpeg-python` 库。要使用该库，你需要使用 `ffmpeg.input()` 替换为 `ffmpeg.input()`。请尝试修改你的代码如下： ```python import ffmpeg input_file = '/home/wangshengsong/MTCN

keras-applications

Keras-Applications是一个Keras深度学习库的子模块，它包含了一些已经被训练好的模型，可以直接用于特定的任务，如图像分类和目标检测。这些模型包括VGG16，VGG19，ResNet，InceptionV3，InceptionResNetV2，MobileNet等。这些模型被训练在ImageNet数据集上，因此可以用于许多不同的图像分类和目标检测任务。同时，Keras-Applic

ubuntu下载keras-application

你可以在终端中使用以下命令来下载Keras-Applications： ``` pip install keras-applications ``` 请确保你已经安装了pip，如果没有安装，可以使用以下命令进行安装： ``` sudo apt-get install python-pip ``` 这会在你的Ubuntu系统上安装pip，然后你就可以使用上述命令来安装Keras-Applic

怎么从keras-self-attention调用SeqSelfAttention ，代码

首先，确保已经安装了keras-self-attention库。然后，按照以下步骤调用SeqSelfAttention： 1. 导入库 ``` from keras_self_attention import SeqSelfAttention ``` 2. 创建模型在创建模型时，可以将SeqSelfAttention层作为其他层的一部分，例如LSTM层： ``` from keras.

pyqt5+cnn(tensorflow-keras)做一个简单的手写数字识别

### 回答1：手写数字识别是深度学习在计算机视觉领域的一项经典任务，可以使用PyQt5和TensorFlow Keras框架来实现。这种任务可以通过卷积神经网络（CNN）来完成。首先，需要下载一个手写数字图像数据集，例如MNIST数据集。然后，可以使用TensorFlow Keras框架来搭建一个简单的CNN模型，来对图像进行分类。这个CNN模型可以包含一些卷积层、池化层、扁平层和全连接层

yolov3训练自己的数据集

要使用 YOLOv3 训练自己的数据集，需要进行以下步骤： 1. 准备数据集：将自己的数据集标注为 YOLOv3 所需的格式。YOLOv3 要求标注文件为 `.txt` 格式，每个文件对应一张图片，文件中每一行表示一次标注，格式为 `[物体类别] [中心点 x 坐标] [中心点 y 坐标] [宽度] [高度]`，其中坐标和尺寸应该是相对于图片宽度和高度的比例。例如： ``` 0 0

keras-self-attention库

Keras Self-Attention是一个基于Keras的自注意力机制库，可以用于构建自注意力模型。自注意力机制是一种用于处理序列数据的技术，它可以帮助模型更好地理解序列中不同位置之间的关系，从而提高模型的性能。 Keras Self-Attention库提供了多种不同的自注意力层，包括基本的自注意力层、多头自注意力层、自注意力LSTM层等。这些层可以方便地集成到Keras模型中，从而构建一

Keras-Applications如何验证

Keras-Applications是一个Keras的子模块，它提供了几个预训练的深度学习模型，如VGG、ResNet、Inception等，可以用来进行图像分类、目标检测等任务。在使用Keras-Applications中的预训练模型时，可以通过调用模型的evaluate方法来进行验证。具体地，可以先加载数据集，然后使用Keras中的ImageDataGenerator来对数据进行预处理，最

weixin_38604916

粉丝: 6
资源: 892

会员权益专享

WIN10+CUDA10.1环境下Keras-YoloV3训练教程（超简单！）

评论0

会员权益专享

最新资源

WIN10+CUDA10.1环境下Keras-YoloV3训练教程（超简单！）

评论0

keras-yolov5

keras-yolov3目标检测详解——适合新手

深度学习环境搭配——cuda+cudnn+tensorflow-gpu+keras

keras-gpt-2

keras yolov3标签做kmeans聚类

yolov3-keras训练自己数据集

Keras和yolov5

cyberzhg / keras-self-attention pytorch实现

keras-applications

ubuntu下载keras-application

怎么从keras-self-attention调用SeqSelfAttention ，代码

pyqt5+cnn(tensorflow-keras)做一个简单的手写数字识别

yolov3训练自己的数据集

keras-self-attention库

Keras-Applications如何验证

会员权益专享

最新资源