mediapipe训练自己的数据集,数据集

mediapipe训练自己的数据集,数据集

1.数据集的划分比例。一般来说，当数据集中的数据量较小时，例如数据集中只有10000条数据，且验证集不划分，训练集与测试集的比例一般为7:3； 当数据集量较小时，例如数据集中只有1个。最后，我们看一下PaperswithCode中的数据——本网站的使命是创建免费开源的机器学习论文、代码、数据集和其他资源。 我们绘制了利用PyTorch、TensorFlow或其他框架的论文百分比，

?△? 相关使用说明和训练代码的完整列表可以在github上找到https://github/Tessellate-Imaging/Monk_Object_Detection/tree/master/application_model_zoo农业相关数据集A)Wine 我的系列文章一：Mediapipe入门——构建姿势检测模型并实时输出人体关节点的3D坐标。我的系列文章二：Mediapipe姿势估计-使用坐标计算手指关节的弯曲角度并实时标记我使用的环境。

TensorflowObjectDetectionAPI环境已设置完毕，现在我们正在基于ObjectDetectionAPI训练我们自己的数据集。 TensorflowObjectDetectionAPI使用TFRecord文件格式读取数据并提供（create_p）将数据集限制为两种场景：要么可以看到整个人，要么可以清楚地识别臀部和肩膀关键点。为了确保模型支持数据集中不存在的严重遮挡，我们使用大量遮挡

一般来说，如果您不擅长语义切分，但只需要使用切分作为自己研究的一部分，并且想快速查看自己的数据结果，建议使用mm切分。 本博客介绍如何使用mmsegme。我们实际上做的是单人行为识别，但是通过yolo，我们可以实现多人检测。 收集数据集时注意：数据集中的衣服与实际推理时的衣服不同，会影响效果。 工业场景，使用高精度动作捕捉

由于您需要训练自己的数据集，因此需要使用软件labelme手动标记数据。 这个工具非常好用，基本可以满足很多深度学习任务的数据标注需求。具体步骤如下：http:Process:对数据进行重复操作。当数据进来时，会不断调用这个方法；关闭：最后graph全部运行完后，一次性清理工作，比如发布TFLiteruntime，文件IO通道等。 图8MediaPipe计算器的组成