README.md

    Efficientdet:Scalable and Efficient Object目标检测模型在Pytorch当中的实现


    目录

    1. 性能情况 Performance
    2. 所需环境 Environment
    3. 文件下载 Download
    4. 注意事项 Attention
    5. 预测步骤 How2predict
    6. 训练步骤 How2train
    7. 评估步骤 How2eval
    8. 参考资料 Reference

    性能情况

    训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95
    COCO-Train2017 efficientdet-d0.pth COCO-Val2017 512x512 33.1
    COCO-Train2017 efficientdet-d1.pth COCO-Val2017 640x640 38.8
    COCO-Train2017 efficientdet-d2.pth COCO-Val2017 768x768 42.1
    COCO-Train2017 efficientdet-d3.pth COCO-Val2017 896x896 45.6
    COCO-Train2017 efficientdet-d4.pth COCO-Val2017 1024x1024 48.8
    COCO-Train2017 efficientdet-d5.pth COCO-Val2017 1280x1280 50.2
    COCO-Train2017 efficientdet-d6.pth COCO-Val2017 1408x1408 50.7
    COCO-Train2017 efficientdet-d7.pth COCO-Val2017 1536x1536 51.2

    所需环境

    torch==1.2.0

    文件下载

    训练所需的pth可以在百度网盘下载。
    包括Efficientdet-d0到d7所有权重。
    链接: https://pan.baidu.com/s/1Kvv526YYSDJEf9BzWfIb3Q 提取码: f9g3

    VOC数据集下载地址如下:
    VOC2007+2012训练集
    链接: https://pan.baidu.com/s/16pemiBGd-P9q2j7dZKGDFA 提取码: eiw9

    VOC2007测试集
    链接: https://pan.baidu.com/s/1BnMiFwlNwIWG9gsd4jHLig 提取码: dsda

    注意事项

    1、训练前一定要注意权重文件与Efficientdet版本的对齐!
    2、注意修改训练用到的voc_classes.txt文件!
    3、注意修改预测用到的voc_classes.txt文件!

    预测步骤

    1、使用预训练权重

    a、下载完库后解压,在百度网盘下载Efficientdet-d0到d7的权重,运行predict.py,输入

    img/street.jpg

    可完成预测。
    b、在predict.py里面进行设置可以进行fps测试和video视频检测。

    2、使用自己训练的权重

    a、按照训练步骤训练。
    b、在efficientdet.py文件里面,在如下部分修改model_path、classes_path和phi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。phi为所使用的efficientdet的版本

    _defaults = {
        "model_path": 'model_data/efficientdet-d0.pth',
        "classes_path": 'model_data/coco_classes.txt',
        "phi": 0,
        "confidence": 0.3,
        "cuda": True
    }

    c、运行predict.py,输入

    img/street.jpg

    可完成预测。
    d、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

    1、本文使用VOC格式进行训练。
    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。
    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。
    4、在训练前利用voc2efficientdet.py文件生成对应的txt。
    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!

    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:

    classes_path = 'model_data/new_classes.txt'    

    model_data/new_classes.txt文件内容为:

    cat
    dog
    ...

    8、修改train.py的classes_path,运行train.py即可开始训练。

    评估步骤

    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。
    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。
    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。
    4. 在评估前利用voc2efficientdet.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。
    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
    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。
    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

    https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch
    https://github.com/Cartucho/mAP

    项目简介

    🚀 Github 镜像仓库 🚀

    源项目地址

    https://github.com/bubbliiiing/efficientdet-pytorch

    发行版本

    当前项目没有发行版本

    贡献者 1

    B Bubbliiiing @Bubbliiiing

    开发语言

    • Python 100.0 %