关于yolo的训练问题

如题，我把一个4500张图的数据集按8：2分为了训练集和验证集，训练集3600张，验证集900张，跑代码的时候一直显示的是900张图在跑，是我弄反了？还是就是这样的

img

  • 这个问题的回答你可以参考下: https://ask.csdn.net/questions/7799620
  • 除此之外, 这篇博客: 决策树练习题中的 5.如果在包含100万个实例的训练集上训练决策树需要一个小时，那么在包含1000万个实例的训练集上训练决策树，大概需要多长时间？ 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

  • A：决策树的训练复杂度为O(n*mlog2(m))。m为训练集数量，如果训练集数量变为10倍，则 n * 10mlog2(10m) / n * mlog2(m)=10 *(log2107 / log2106) = 10 * 7/6 ≈ 11.7。所以大概需要11.7个小时。

如果你的数据集包含4500张图像，按8:2的比例分割为训练集和验证集，那么应该有3600张图像用于训练，900张图像用于验证。因此，在训练过程中，你应该看到的是正在处理3600张图像，而不是900张图像。

如果你在代码中看到的是正在处理900张图像，可能是由于代码中使用了验证集进行训练或评估。请检查代码中的数据加载部分，确保它正在加载并使用正确的数据集（即训练集而不是验证集）。

此外，也可以通过手动计数来验证数据集是否正确划分。可以尝试输出训练集和验证集中图像的数量，并确保它们的比例为8:2。

例如，在Python中，可以使用以下代码输出训练集和验证集中的图像数量：

python


import os

train_dir = '/path/to/train/directory'
valid_dir = '/path/to/validation/directory'

num_train_images = len(os.listdir(train_dir))
num_valid_images = len(os.listdir(valid_dir))

print('Number of images in the training set:', num_train_images)
print('Number of images in the validation set:', num_valid_images)

如果以上代码的输出结果符合预期，说明数据集已经正确划分。否则，需要检查数据集的划分方式和代码实现。