# 数据处理： 1、使用facenet中的文件或insight项目中的align_dataset_mtcnn.py将原始人脸数据先检测并处理成112x112大小， 2、制作训练集.rec文件 # python insightface/recognition/tools/im2rec.py --list --recursive /准备存放.lst的路径/准备存放.lst文件的名称（NBA） /图像文件夹路径/ #生成.lst # python im2rec2.py /刚刚生成的.lst文件路径/.lst的文件名 /图像文件夹路径/ ##生成.rec

YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而性能高，更加灵活和便利。  本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。  本课程的YOLOv5使用ultralytics/yolov5，在Ubuntu系统上做项目演示。包括：安装YOLOv5、标注自己的数据集、准备自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型和性能统计。  希望学习在Windows系统上演示的学员，请前往《YOLOv5(PyTorch)实战：训练自己的数据集(Windows)》课程链接：https://edu.csdn.net/course/detail/30923 本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv5(PyTorch)目标检测实战：训练自己的数据集》 Ubuntu系统 https://edu.csdn.net/course/detail/30793 Windows

# 3、制作验证集.bin文件 python recognition/tools/generate_image_valid.py #需要预先制作一个人物名单对应表，比如存放于valid.txt文件中 python recognition/tools/make_bin_tool/lfw2pack.py

高效网式火炬 在EfficientNet上训练自己的数据集的演示 感谢> ，我只是简单地演示如何基于EfficientNet-Pytorch训练自己的数据集。 步骤1：准备自己的分类数据集 然后，数据目录应如下所示： -dataset\ -model\ -train\ -1\ -2\ ... -test\ -1\ -2\ ... 步骤2：训练和测试 （1）您可以通过修改line 169来选择是否自动下载预训练模型。 可以在> 上获得预训练的模型。 您可以在eff_weights文件夹下下载它们。 （2）更改一些设置以匹配您的数据集。 即line13-22 run efficientnet_sample.py to start train and test

pytorch MaskRCNN-Benchmark框架训练自己的数据集，类别数量不同-附件资源

在利用深度学习开源代码测试自己数据时，会遇到对自己构建数据集进行均值和方差计算的问题。本资源有两个python脚本，在python3下编写，一个是直接求取原始数据集均值，一个是对拉成张量后的数据集进行均值和方差求取处理，用于transforms.Normalize()函数设置。

刚刚出了yoloV4，相信很多人都需要使用并训练测试，数据集的处理和获取很麻烦，这个是我自己的训练数据集，已经训练过了没任何问题，需要调试源码的随时联系。YOLO V4自己的数据集。

本篇文章了tensorflow训练自己的数据集实现CNN图像分类，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

windows+TensorFlow/keras+vgg16训练自己的数据集-附件资源

windows+TensorFlow/keras+vgg16训练自己的数据集-附件资源