File size: 1,775 Bytes
c9595c6 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 |
import pathlib
from pathlib import Path
pathlib.PosixPath = pathlib.WindowsPath
import sys
import os
# Ajoutez le chemin du répertoire YOLOv5 au sys.path pour pouvoir importer train.py
BASE_DIR = Path(__file__).resolve().parent
YOLOV5_DIR = BASE_DIR / "yolov5"
sys.path.append(str(YOLOV5_DIR))
from yolov5.train import main, parse_opt # Importation directe des fonctions nécessaires
# Définir les chemins et options
MODEL_PATH = BASE_DIR / "models/models--keizer77--samyolo2/snapshots/74c8cb12ae448ff0b8bae9ef522b54ec09b47c20/best.pt"
DATA_YAML_PATH = BASE_DIR / "labelid_image/data.yaml" #
OUTPUT_DIR = BASE_DIR / "weights"
def clear_cache(data_path):
"""
Supprime les fichiers de cache de labels pour s'assurer que YOLOv5
recrée les caches à partir des fichiers d'annotation actuels.
"""
subfolders = ['train', 'valid', 'test']
for folder in subfolders:
cache_file = os.path.join(data_path, folder, 'labels.cache')
if os.path.exists(cache_file):
print(f"Suppression du cache : {cache_file}")
os.remove(cache_file)
def train_yolo_direct():
# Nettoyer le cache avant l'entraînement
clear_cache("labelid_image")
# Préparer les options pour l'entraînement
opt = parse_opt()
opt.imgsz = 640
opt.batch_size = 8
opt.epochs = 10
opt.data = str(DATA_YAML_PATH)
opt.weights = str(MODEL_PATH)
opt.project = str(OUTPUT_DIR)
opt.name = "custom_model"
opt.device = "cpu" # Spécifier le périphérique (CPU ou GPU)
print("Lancement de l'entraînement YOLOv5...")
main(opt)
if __name__ == "__main__":
try:
train_yolo_direct()
except Exception as e:
print(f"Erreur lors de l'exécution de l'entraînement : {e}")
|