Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
菜瓜爱吃瓜
yolov4-pytorch
提交
c4a1d348
Y
yolov4-pytorch
项目概览
菜瓜爱吃瓜
/
yolov4-pytorch
与 Fork 源项目一致
从无法访问的项目Fork
通知
2
Star
1
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
Y
yolov4-pytorch
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
未验证
提交
c4a1d348
编写于
9月 21, 2021
作者:
B
Bubbliiiing
提交者:
GitHub
9月 21, 2021
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
Update README.md
上级
816f212b
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
97 addition
and
51 deletion
+97
-51
README.md
README.md
+97
-51
未找到文件。
README.md
浏览文件 @
c4a1d348
...
@@ -11,8 +11,8 @@
...
@@ -11,8 +11,8 @@
4.
[
注意事项 Attention
](
#注意事项
)
4.
[
注意事项 Attention
](
#注意事项
)
5.
[
小技巧的设置 TricksSet
](
#小技巧的设置
)
5.
[
小技巧的设置 TricksSet
](
#小技巧的设置
)
6.
[
文件下载 Download
](
#文件下载
)
6.
[
文件下载 Download
](
#文件下载
)
7.
[
预测步骤 How2predict
](
#预测
步骤
)
7.
[
训练步骤 How2train
](
#训练
步骤
)
8.
[
训练步骤 How2train
](
#训练
步骤
)
8.
[
预测步骤 How2predict
](
#预测
步骤
)
9.
[
评估步骤 How2eval
](
#评估步骤
)
9.
[
评估步骤 How2eval
](
#评估步骤
)
10.
[
参考资料 Reference
](
#Reference
)
10.
[
参考资料 Reference
](
#Reference
)
...
@@ -50,16 +50,59 @@ torch==1.2.0
...
@@ -50,16 +50,59 @@ torch==1.2.0
yolo4_weights.pth是coco数据集的权重。
yolo4_weights.pth是coco数据集的权重。
yolo4_voc_weights.pth是voc数据集的权重。
yolo4_voc_weights.pth是voc数据集的权重。
VOC数据集下载地址如下:
VOC数据集下载地址如下
,里面已经包括了训练集、测试集、验证集(与测试集一样),无需再次划分
:
VOC2007+2012训练集
链接: https://pan.baidu.com/s/1YuBbBKxm2FGgTU5OfaeC5A
链接: https://pan.baidu.com/s/16pemiBGd-P9q2j7dZKGDFA 提取码: eiw9
提取码: uack
VOC2007测试集
## 训练步骤
链接: https://pan.baidu.com/s/1BnMiFwlNwIWG9gsd4jHLig 提取码: dsda
### a、训练VOC07+12数据集
1.
数据集的准备
**本文使用VOC格式进行训练,训练前需要下载好VOC07+12的数据集,解压后放在根目录**
2.
数据集的处理
修改voc_annotation.py里面的annotation_mode=2,运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。
3.
开始网络训练
train.py的默认参数用于训练VOC数据集,直接运行train.py即可开始训练。
4.
训练结果预测
训练结果预测需要用到两个文件,分别是yolo.py和predict.py。我们首先需要去yolo.py里面修改model_path以及classes_path,这两个参数必须要修改。
**
model_path指向训练好的权值文件,在logs文件夹里。
classes_path指向检测类别所对应的txt。
**
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。
### b、训练自己的数据集
1.
数据集的准备
**本文使用VOC格式进行训练,训练前需要自己制作好数据集,**
训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
2.
数据集的处理
在完成数据集的摆放之后,我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。
修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path,classes_path用于指向检测类别所对应的txt。
训练自己的数据集时,可以自己建立一个cls_classes.txt,里面写自己所需要区分的类别。
model_data/cls_classes.txt文件内容为:
```
python
cat
dog
...
```
修改voc_annotation.py中的classes_path,使其对应cls_classes.txt,并运行voc_annotation.py。
3.
开始网络训练
**训练的参数较多,均在train.py中,大家可以在下载库后仔细看注释,其中最重要的部分依然是train.py里的classes_path。**
**classes_path用于指向检测类别所对应的txt,这个txt和voc_annotation.py里面的txt一样!训练自己的数据集必须要修改!**
修改完classes_path后就可以运行train.py开始训练了,在训练多个epoch后,权值会生成在logs文件夹中。
4.
训练结果预测
训练结果预测需要用到两个文件,分别是yolo.py和predict.py。在yolo.py里面修改model_path以及classes_path。
**
model_path指向训练好的权值文件,在logs文件夹里。
classes_path指向检测类别所对应的txt。
**
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。
## 预测步骤
## 预测步骤
### a、使用预训练权重
### a、使用预训练权重
1.
下载完库后解压,在百度网盘下载yolo
4_weights.pth或者yolo4_voc
_weights.pth,放入model_data,运行predict.py,输入
1.
下载完库后解压,在百度网盘下载yolo_weights.pth,放入model_data,运行predict.py,输入
```
python
```
python
img
/
street
.
jpg
img
/
street
.
jpg
```
```
...
@@ -69,14 +112,42 @@ img/street.jpg
...
@@ -69,14 +112,42 @@ img/street.jpg
2.
在yolo.py文件里面,在如下部分修改model_path和classes_path使其对应训练好的文件;
**model_path对应logs文件夹下面的权值文件,classes_path是model_path对应分的类**
。
2.
在yolo.py文件里面,在如下部分修改model_path和classes_path使其对应训练好的文件;
**model_path对应logs文件夹下面的权值文件,classes_path是model_path对应分的类**
。
```
python
```
python
_defaults
=
{
_defaults
=
{
"model_path"
:
'model_data/yolo4_weights.pth'
,
#--------------------------------------------------------------------------#
"anchors_path"
:
'model_data/yolo_anchors.txt'
,
# 使用自己训练好的模型进行预测一定要修改model_path和classes_path!
"classes_path"
:
'model_data/coco_classes.txt'
,
# model_path指向logs文件夹下的权值文件,classes_path指向model_data下的txt
"model_image_size"
:
(
416
,
416
,
3
),
# 如果出现shape不匹配,同时要注意训练时的model_path和classes_path参数的修改
"confidence"
:
0.5
,
#--------------------------------------------------------------------------#
"cuda"
:
True
"model_path"
:
'model_data/yolo_weights.pth'
,
"classes_path"
:
'model_data/coco_classes.txt'
,
#---------------------------------------------------------------------#
# anchors_path代表先验框对应的txt文件,一般不修改。
# anchors_mask用于帮助代码找到对应的先验框,一般不修改。
#---------------------------------------------------------------------#
"anchors_path"
:
'model_data/yolo_anchors.txt'
,
"anchors_mask"
:
[[
6
,
7
,
8
],
[
3
,
4
,
5
],
[
0
,
1
,
2
]],
#---------------------------------------------------------------------#
# 输入图片的大小,必须为32的倍数。
#---------------------------------------------------------------------#
"input_shape"
:
[
416
,
416
],
#---------------------------------------------------------------------#
# 只有得分大于置信度的预测框会被保留下来
#---------------------------------------------------------------------#
"confidence"
:
0.5
,
#---------------------------------------------------------------------#
# 非极大抑制所用到的nms_iou大小
#---------------------------------------------------------------------#
"nms_iou"
:
0.3
,
#---------------------------------------------------------------------#
# 该变量用于控制是否使用letterbox_image对输入图像进行不失真的resize,
# 在多次测试后,发现关闭letterbox_image直接resize的效果更好
#---------------------------------------------------------------------#
"letterbox_image"
:
False
,
#-------------------------------#
# 是否使用Cuda
# 没有GPU可以设置成False
#-------------------------------#
"cuda"
:
True
,
}
}
```
```
3.
运行predict.py,输入
3.
运行predict.py,输入
```
python
```
python
...
@@ -84,44 +155,19 @@ img/street.jpg
...
@@ -84,44 +155,19 @@ img/street.jpg
```
```
4.
在predict.py里面进行设置可以进行fps测试和video视频检测。
4.
在predict.py里面进行设置可以进行fps测试和video视频检测。
## 训练步骤
## 评估步骤
1.
本文使用VOC格式进行训练。
### a、评估VOC07+12的测试集
2.
训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
1.
本文使用VOC格式进行评估。VOC07+12已经划分好了测试集,无需利用voc_annotation.py生成ImageSets文件夹下的txt。
3.
训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
2.
在yolo.py里面修改model_path以及classes_path。
**model_path指向训练好的权值文件,在logs文件夹里。classes_path指向检测类别所对应的txt。**
4.
在训练前利用voc2yolo4.py文件生成对应的txt。
3.
运行get_map.py即可获得评估结果,评估结果会保存在map_out文件夹中。
5.
再运行根目录下的voc_annotation.py,运行前需要将classes改成你自己的classes。
**注意不要使用中文标签,文件夹中不要有空格!**
```
python
classes
=
[
"aeroplane"
,
"bicycle"
,
"bird"
,
"boat"
,
"bottle"
,
"bus"
,
"car"
,
"cat"
,
"chair"
,
"cow"
,
"diningtable"
,
"dog"
,
"horse"
,
"motorbike"
,
"person"
,
"pottedplant"
,
"sheep"
,
"sofa"
,
"train"
,
"tvmonitor"
]
```
6.
此时会生成对应的2007_train.txt,每一行对应其
**图片位置**
及其
**真实框的位置**
。
7.
**在训练前需要务必在model_data下新建一个txt文档,文档中输入需要分的类,在train.py中将classes_path指向该文件**
,示例如下:
```
python
classes_path
=
'model_data/new_classes.txt'
```
model_data/new_classes.txt文件内容为:
```
python
cat
dog
...
```
8.
运行train.py即可开始训练。
## 评估步骤
### b、评估自己的数据集
评估过程可参考视频https://www.bilibili.com/video/BV1zE411u7Vw
步骤是一样的,不需要自己再建立get_dr_txt.py、get_gt_txt.py等文件。
1.
本文使用VOC格式进行评估。
1.
本文使用VOC格式进行评估。
2.
评估前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
2.
如果在训练前已经运行过voc_annotation.py文件,代码会自动将数据集划分成训练集、验证集和测试集。如果想要修改测试集的比例,可以修改voc_annotation.py文件下的trainval_percent。trainval_percent用于指定(训练集+验证集)与测试集的比例,默认情况下 (训练集+验证集):测试集 = 9:1。train_percent用于指定(训练集+验证集)中训练集与验证集的比例,默认情况下 训练集:验证集 = 9:1。
3.
评估前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
3.
利用voc_annotation.py划分测试集后,前往get_map.py文件修改classes_path,classes_path用于指向检测类别所对应的txt,这个txt和训练时的txt一样。评估自己的数据集必须要修改。
4.
在评估前利用voc2yolo4.py文件生成对应的txt,评估用的txt为VOCdevkit/VOC2007/ImageSets/Main/test.txt,需要注意的是,如果整个VOC2007里面的数据集都是用于评估,那么直接将trainval_percent设置成0即可。
4.
在yolo.py里面修改model_path以及classes_path。
**model_path指向训练好的权值文件,在logs文件夹里。classes_path指向检测类别所对应的txt。**
5.
在yolo.py文件里面,在如下部分修改model_path和classes_path使其对应训练好的文件;
**model_path对应logs文件夹下面的权值文件,classes_path是model_path对应分的类**
。
5.
运行get_map.py即可获得评估结果,评估结果会保存在map_out文件夹中。
6.
运行get_dr_txt.py和get_gt_txt.py,在./input/detection-results和./input/ground-truth文件夹下生成对应的txt。
6.
7.
运行get_map.py即可开始计算模型的mAP。
## mAP目标检测精度计算更新
更新了get_gt_txt.py、get_dr_txt.py和get_map.py文件。
get_map文件克隆自https://github.com/Cartucho/mAP
具体mAP计算过程可参考:https://www.bilibili.com/video/BV1zE411u7Vw
## Reference
## Reference
https://github.com/qqwweee/keras-yolo3/
https://github.com/qqwweee/keras-yolo3/
https://github.com/Cartucho/mAP
https://github.com/Cartucho/mAP
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录