الصفحة الرئيسية>المتعلقة بالبرمجة>بايثون
تنزيل

yolov4-pytorch (yolov4 اليقظة و mobilenetv3 yolov4)

نصائح ： 深度学习指导 ， 目标检测、目标跟踪、语义分割等 ， 小型数据集详询 QQ3419923783

  • هذا هو إعادة تنفيذ Pytorch لهندسة Yolov4 استنادًا إلى تطبيق Darknet الرسمي Alexeyab/Darknet مع Pascal Voc و Coco و Customer DataSet

النتائج (تحديث)

اسم مجموعة بيانات القطار اختبار مجموعة البيانات حجم الاختبار رسم خريطة وقت الاستنتاج (MS) params (M) رابط النموذج
mobilenetv2-yolov4 VOC Trainval (07+12) اختبار VOC (07) 416 0.851 11.29 46.34 args

تحديث!!!

Mobilenetv3-yolov4 تصل! （تحتاج فقط إلى تغيير Model_type في config/yolov4_config.py）

أخبار!!!

يضيف هذا الريبو بعض طرق الاهتمام المفيدة في العمود الفقري. الصور التالية توضح مثل هذا الشيء:

  • Senet (CVPR 2017)

سينت

  • CBAM (CVPR 2018)

CBAM

أبرز

yolov4 (yolov4 اليقظة و mobilenet-yolov4) مع بعض الوحدة النمطية المفيدة

هذا الريبو سهل الاستخدام وسهل القراءة وغير معقد للتحسين مقارنة مع الآخرين !!!

بيئة

  • nvida geforce rtx 2080ti
  • CUDA10.0
  • Cudnn7.0
  • Windows أو Linux
  • بيثون 3.6

مختصر

  • المنسق (CVPR2021) (الشعلة> = 1.4)
  • do-CONV (ARXIV2020) (Torch> = 1.2)
  • انتباه
  • تدريب FP_16
  • ميش
  • بيانات مخصصة
  • زيادة البيانات (RandomHorizontalFlip ، عشوائي ، عشوائي ، تغيير الحجم)
  • التدريب متعدد النطاق (320 إلى 640)
  • فقدان البؤرة
  • سيو
  • تسمية سلسة
  • خلط
  • جيب التمام LR

تثبيت التبعيات

قم بتشغيل البرنامج النصي للتثبيت لتثبيت جميع التبعيات. تحتاج إلى توفير مسار تثبيت conda (على سبيل المثال/anaconda3) واسم بيئة كوندا التي تم إنشاؤها (هنا YOLOv4-pytorch ). 

pip3 install -r requirements.txt --user

ملاحظة: تم اختبار البرنامج النصي للتثبيت على نظام Ubuntu 18.04 و Window 10. في حالة المشكلات ، تحقق من تعليمات التثبيت التفصيلية.

العمل المعدة

1 、 مستودع Git Clone Yolov4 

git clone github.com/argusswift/YOLOv4-pytorch.git

قم بتحديث "PROJECT_PATH" في config/yolov4_config.py.

2 、 مجموعة بيانات أعدت

Pascalvoc 

 # Download the data.
cd $HOME /data
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
# Extract the data.
tar -xvf VOCtrainval_11-May-2012.tar
tar -xvf VOCtrainval_06-Nov-2007.tar
tar -xvf VOCtest_06-Nov-2007.tar
  • روابط التنزيل: {voc 2012_trainval 、 voc 2007_trainval 、 voc2007_test} 、

MSCOCO 2017 

  # step1: download the following data and annotation
  2017 Train images [118K/18GB]
  2017 Val images [5K/1GB]
  2017 Test images [41K/6GB]
  2017 Train/Val annotations [241MB]
  # step2: arrange the data to the following structure
  COCO
  ---train
  ---test
  ---val
  ---annotations
  • روابط التنزيل: {Train2017_IMG 、 Train2017_ann 、 Val2017_IMG 、 Val2017_ann 、 test2017_img 、 test2017_list}

وثم

  • ضعها في dir ، وقم بتحديث "DATA_PATH" في config/yolov4_config.py.
  • (من أجل COCO) استخدم COCO_TO_VOC.PY لنقل نوع بيانات COCO إلى نوع بيانات VOC.
  • تحويل تنسيق البيانات: استخدم utils/voc.py أو utils/coco.py قم بتحويل تنسيق Pascal Voc *.xml (Coco *.

3 、 تحميل ملف الوزن

  • Darknet وزنه مسبقًا: Yolov4
  • Mobilenet قبل التدريب على الوزن: Mobilenetv2 (الكود: args) ، Mobilenetv3 (الكود: args)
  • اصنع weight/ في YOLOV4 ووضع ملف الوزن فيه.
  • قم بتعيين Model_type في config/yolov4_config.py عند تشغيل برنامج التدريب.

4 、 نقل إلى مجموعة البيانات الخاصة بك （تدريب مجموعة البيانات الخاصة بك）

  • ضع صورًا لمجموعة البيانات الخاصة بك في مجلد JPegimages ، وملفات التعليقات التوضيحية في مجلد التعليقات التوضيحية.
  • استخدم ملف xml_to_txt.py لكتابة قائمة ملفات التدريب واختبار ملفات الصور/main/*. txt.
  • تحويل تنسيق البيانات: استخدم utils/voc.py أو utils/coco.py قم بتحويل تنسيق Pascal Voc *.xml (Coco *.

للتدريب

قم بتشغيل الأمر التالي لبدء التدريب وشاهد التفاصيل في config/yolov4_config.py ويجب عليك تعيين Data_type هو Voc أو Coco عند تشغيل برنامج التدريب. 

CUDA_VISIBLE_DEVICES=0 nohup python -u train.py  --weight_path weight/yolov4.weights --gpu_id 0 > nohup.log 2>&1 &

أيضا * يدعم لاستئناف التدريب إضافة --resume ، سيتم last.pt بشكل تلقائي باستخدام commad 

CUDA_VISIBLE_DEVICES=0 nohup python -u train.py  --weight_path weight/last.pt --gpu_id 0 > nohup.log 2>&1 &

لاكتشاف

قم بتعديل مسار Detecte IMG: data_test =/path/to/your/test_data # صورك الخاصة 

 for VOC dataset:
CUDA_VISIBLE_DEVICES=0 python3 eval_voc.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode det
for COCO dataset:
CUDA_VISIBLE_DEVICES=0 python3 eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode det

يمكن رؤية الصور في output/ . يمكنك رؤية صور مثل التالية:

det-result

لاختبار الفيديو

يُعدِّل:

  • video_path:/path/to/your/video
  • Weight_Path:/path/to/your your/weight
  • output_dir:/path/to/save/dir 
CUDA_VISIBLE_DEVICES=0 python3 video_test.py --weight_path best.pt --gpu_id 0 --video_path video.mp4 --output_dir --output_dir

لتقييم （Pascal VOC）

قم بتعديل مسار مجموعة البيانات: data_path =/path/to/your/test_data # صورك الخاصة 

 for VOC dataset:
CUDA_VISIBLE_DEVICES=0 python3 eval_voc.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode val

نتائج

إذا كنت تريد رؤية الصورة أعلاه ، فيجب عليك استخدام أوامر متابعة: 

 # To get ground truths of your dataset
python3 utils/get_gt_txt.py
# To plot P-R curve and calculate mean average precision
python3 utils/get_map.py

لتقييم （Coco）

قم بتعديل مسار مجموعة البيانات: data_path =/path/to/your/test_data # صورك الخاصة 

CUDA_VISIBLE_DEVICES=0 python3 eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode val

type=bbox
Running per image evaluation...      DONE (t=0.34s).
Accumulating evaluation results...   DONE (t=0.08s).
 Average Precision  (AP) @[ IoU = 0.50:0.95 | area =   all | maxDets = 100 ] = 0.438
 Average Precision  (AP) @[ IoU = 0.50      | area =   all | maxDets = 100 ] = 0.607
 Average Precision  (AP) @[ IoU = 0.75      | area =   all | maxDets = 100 ] = 0.469
 Average Precision  (AP) @[ IoU = 0.50:0.95 | area = small | maxDets = 100 ] = 0.253
 Average Precision  (AP) @[ IoU = 0.50:0.95 | area = medium | maxDets = 100 ] = 0.486
 Average Precision  (AP) @[ IoU = 0.50:0.95 | area = large | maxDets = 100 ] = 0.567
 Average Recall     (AR) @[ IoU = 0.50:0.95 | area =   all | maxDets =  1 ] = 0.342
 Average Recall     (AR) @[ IoU = 0.50:0.95 | area =   all | maxDets = 10 ] = 0.571
 Average Recall     (AR) @[ IoU = 0.50:0.95 | area =   all | maxDets = 100 ] = 0.632
 Average Recall     (AR) @[ IoU = 0.50:0.95 | area = small | maxDets = 100 ] = 0.458
 Average Recall     (AR) @[ IoU = 0.50:0.95 | area = medium | maxDets = 100 ] = 0.691
 Average Recall     (AR) @[ IoU = 0.50:0.95 | area = large | maxDets = 100 ] = 0.790

لتقييم معلمات النموذج الخاصة بك 

python3 utils/modelsize.py

لتصور خرائط الحرارة

set showatt = ture في val_voc.py وسترى خرائط الحرارة ظهرت من إخراج الشبكة 

 for VOC dataset:
CUDA_VISIBLE_DEVICES=0 python3 eval_voc.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval
for COCO dataset:
CUDA_VISIBLE_DEVICES=0 python3 eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval

يمكن رؤية خرائط الحرارة في output/ مثل هذا:

خرائط الحرارة

مرجع

  • TensorFlow: https://github.com/stinky-tofu/stronger-yolo
  • Pytorch: https://github.com/ultralytics/yolov3 https://github.com/peterisfar/yolov3
  • keras: https://github.com/qqwweee/keras-yolo3
يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل