YOLOv4 pytorch
1.0.0
Tips: 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
| nama | Dataset Latih | uji dataset | Ukuran tes | peta | Waktu inferensi (MS) | params (m) | tautan model |
|---|---|---|---|---|---|---|---|
| MOBILENETV2-YOLOV4 | VOC Trainval (07+12) | Tes VOC (07) | 416 | 0.851 | 11.29 | 46.34 | args |
MobileNetv3-yolov4 tiba! （Anda hanya perlu mengubah model_type di config/yolov4_config.py）
Repo ini menambahkan beberapa metode perhatian yang berguna di tulang punggung. Gambar -gambar berikut menggambarkan hal seperti itu:
Repo ini mudah digunakan, mudah dibaca dan tidak rumit untuk ditingkatkan dibandingkan dengan orang lain !!!
Jalankan skrip instalasi untuk menginstal semua dependensi. Anda perlu memberikan jalur instalasi conda (misalnya/anaconda3) dan nama untuk lingkungan Conda yang dibuat (di sini YOLOv4-pytorch ).
pip3 install -r requirements.txt --userCatatan: Skrip instal telah diuji pada sistem Ubuntu 18.04 dan Window 10. Dalam hal masalah, periksa instruksi instalasi terperinci.
git clone github.com/argusswift/YOLOv4-pytorch.git Perbarui "PROJECT_PATH" di konfigurasi/yolov4_config.py.
# 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 # 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"DATA_PATH" di konfigurasi/yolov4_config.py.weight/ di YOLOV4 dan masukkan file berat. Jalankan perintah berikut untuk memulai pelatihan dan melihat detail dalam config/yolov4_config.py dan Anda harus mengatur data_type adalah VOC atau Coco saat Anda menjalankan program pelatihan.
CUDA_VISIBLE_DEVICES=0 nohup python -u train.py --weight_path weight/yolov4.weights --gpu_id 0 > nohup.log 2>&1 & Juga * mendukung untuk melanjutkan pelatihan menambahkan --resume , itu akan memuat last.pt secara otomatis dengan menggunakan Commad
CUDA_VISIBLE_DEVICES=0 nohup python -u train.py --weight_path weight/last.pt --gpu_id 0 > nohup.log 2>&1 & Ubah jalur detecte IMG Anda: data_test =/path/to/your/test_data # gambar Anda sendiri
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 Gambar dapat dilihat di output/ . Anda bisa melihat gambar seperti berikut:
Memodifikasi:
CUDA_VISIBLE_DEVICES=0 python3 video_test.py --weight_path best.pt --gpu_id 0 --video_path video.mp4 --output_dir --output_dirUbah Jalur Evaluasi Dataset Anda: data_path =/path/to/your/test_data # gambar Anda sendiri
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
Jika Anda ingin melihat gambar di atas, Anda harus menggunakan perintah ikuti:
# 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 Ubah Jalur Evaluasi Dataset Anda: data_path =/path/to/your/test_data # gambar Anda sendiri
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 ] = 0.790python3 utils/modelsize.pySetel showatt = ture di val_voc.py dan Anda akan melihat heatmaps muncul dari output jaringan
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 Heatmaps dapat dilihat di output/ seperti ini:
