TT100K数据集作为该系统的训练基础，包含大量从中国多个城市收集的交通标志图像，覆盖了城市道路、乡村道路及高速公路等多种场景，确保了模型的泛化能力。训练完成的模型能够实时识别道路上的交通标志，如停车标志、限速标志、警告标志等，为自动驾驶和智能交通系统提供关键信息支持，确保行车安全。基于YOLOv5的中国交通标志TT100K检测系统不仅提升了交通标志识别的效率和准确性，也为智能交通领域的发展注入了

首先我们要准训练模型的代码，这里我们使用的modelscope上的模型，大家自行下载即可。OK，模型下载完毕之后，我们就要准备代码文件。其实全量微调和Lora微调的代码基本一样，都采用了Trainer类来进行训练。只不过在全量微调的时候没有加载LoraConfig，那我就直接给出代码，如果对代有什么问题，大家可以先自行探索Qwen lora的代码解释，有什么不懂的地方可以提Issue。需要把代码中

LoraConfig这个类中可以设置很多参数，但主要的参数没多少，简单讲一讲，感兴趣的同学可以直接看源码。task_type：模型类型：需要训练的模型层的名字，主要就是attention部分的层，不同的模型对应的层的名字不同，可以传入数组，也可以字符串，也可以正则表达式。rlora的秩，具体可以看Lora原理lora_alphaLora alaph，具体作用参见Lora原理inference_mo

参考数据加载与模型配置与一致,在此具体讲一下Ptuning的细节:基本原理为冻结主模型全部参数,在训练数据前加入一小段Prompt,之训练Prompt的嵌入层。在Ptuning中，只有soft prompt,是自动学习的,不用人工设置。

高效微调，State-of-the-art Parameter-Efficient Fine- Tuning (SOTA PEFT)，特指部分参数的微调方法，这种方法算力功耗比更高，也是目前最为常见的微调方法，比如lora微调、Prefix-Tuning、Prompt Tuning、P-Tuning v2等方法；在llama2-chinese里面有个全量参数微调概念，那么这个是什么意思？

在 /root/autodl-tmp 路径下新建 model_download.py 文件并在其中输入以下内容，粘贴代码后记得保存文件，如下图所示。使用 modelscope 中的 snapshot_download 函数下载模型，第一个参数为模型名称，参数 cache_dir 为模型的下载路径。下面的代码有很详细的注释，大家如有不理解的地方，欢迎提出issue。如下所示，可以看出LLaMA3自带

LoraConfig这个类中可以设置很多参数，但主要的参数没多少，简单讲一讲，感兴趣的同学可以直接看源码。task_type：模型类型：需要训练的模型层的名字，主要就是attention部分的层，不同的模型对应的层的名字不同，可以传入数组，也可以字符串，也可以正则表达式。rlora的秩，具体可以看Lora原理lora_alphaLora alaph，具体作用参见Lora原理Lora的缩放是啥嘞？当

LoraConfig这个类中可以设置很多参数，但主要的参数没多少，简单讲一讲，感兴趣的同学可以直接看源码。task_type：模型类型：需要训练的模型层的名字，主要就是attention部分的层，不同的模型对应的层的名字不同，可以传入数组，也可以字符串，也可以正则表达式。rlora的秩，具体可以看Lora原理lora_alphaLora alaph，具体作用参见Lora原理Lora的缩放是啥嘞？当

triton-2.1.0-0-pp37-pypy37_pp73-manylinux2014_x86_64.whl下载地址：https://download.csdn.net/download/FL1623863129/88631355。triton-2.1.0-0-pp39-pypy39_pp73-manylinux2014_x86_64.whl下载地址：https://download.csdn

在 /root/autodl-tmp 路径下新建 download.py 文件并在其中输入以下内容，粘贴代码后记得保存文件，如下图所示。保存好后在终端运行 python /root/autodl-tmp/download.py 执行下载，下载模型需要一些时间。接下来，我们打开刚刚租用服务器的 JupyterLab，如下图所示，然后打开其中的终端，开始环境配置、模型下载和运行演示。文件并在其中输入以