Hva har blitt gjort:

• Hentet bilder fra Planetary HUB
• Klassifisering av data med Azure ML assisted labeling
• Eksporter som COCO, oversett til YOLO
• Bilder og labels på riktig format
• Nedskalering av bilder, 343px ganske spesiell oppløsning så nå oppløsning på 320px (32-gangen for kernel av 32px i YOLO)
• Trening av YOLOv5 på denne

Eksempel på trening:

python train.py --img 320 --batch 16 --epochs 80 --data dataset.yaml --weights yolov5s.pt --optimizer Adam --cache

• img: define input image size
• batch: determine batch size
• epochs: define the number of training epochs.
• data: Our dataset locaiton is saved in the dataset.location
• weights: specify a path to weights to start transfer learning from. Here we choose the generic COCO pretrained checkpoint.
• optimizer: Select optimizer {SGD, Adam, AdamW}
• cache: cache images for faster training

python detect.py --weights runs/train/exp/weights/best.pt --img 320 --conf 0.1 --source ../datasets/coral/images/train2022 --data data/dataset.yaml

• weights: specify path of weights as .pt-file
• img: define input image size
• conf: confidence needed for classification
• source: define path to test images

Har i tillegg brukt noen av disse argumentene:

• --hide-conf
• --hide-labels
• --iou-thres 0.2
• --line-thickness 1

Full liste er å finne nederst i detect.py