YOLOv4 pytorch
1.0.0
ヒント：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
| 名前 | トレーニングデータセット | テストデータセット | テストサイズ | 地図 | 推論時間（MS） | パラメーション（m） | モデルリンク |
|---|---|---|---|---|---|---|---|
| Mobilenetv2-Yolov4 | Voc Trainval（07+12） | VOCテスト（07） | 416 | 0.851 | 11.29 | 46.34 | args |
Mobilenetv3-Yolov4が到着しています！
このレポはバックボーンにいくつかの有用な注意方法を追加します。次の写真はそのようなことを示しています。
このリポジトリは使いやすく、読みやすく、他の人と比較して改善するために複雑ではありません!!!
インストールスクリプトを実行して、すべての依存関係をインストールします。 Condaインストールパス（Eg〜/Anaconda3）と作成されたConda環境の名前（ここではYOLOv4-pytorch ）を提供する必要があります。
pip3 install -r requirements.txt --user注：インストールスクリプトは、Ubuntu 18.04およびWindow 10システムでテストされています。問題の場合は、詳細なインストール手順を確認してください。
git clone github.com/argusswift/YOLOv4-pytorch.git config/yolov4_config.pyの"PROJECT_PATH"を更新します。
# 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"を更新します。weight/を作成し、重量ファイルを入れます。次のコマンドを実行してトレーニングを開始し、 config/yolov4_config.pyで詳細を確認すると、トレーニングプログラムを実行するときにdata_typeがVOCまたはCOCOを設定する必要があります。
CUDA_VISIBLE_DEVICES=0 nohup python -u train.py --weight_path weight/yolov4.weights --gpu_id 0 > nohup.log 2>&1 &また *トレーニングを再開することlast.ptサポートします--resume
CUDA_VISIBLE_DEVICES=0 nohup python -u train.py --weight_path weight/last.pt --gpu_id 0 > nohup.log 2>&1 & Detecte IMGパス：data_test =/path/to/your/test_data＃独自の画像を変更します
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画像はoutput/で見ることができます。次のような写真を見ることができました：
修正する：
CUDA_VISIBLE_DEVICES=0 python3 video_test.py --weight_path best.pt --gpu_id 0 --video_path video.mp4 --output_dir --output_dir評価データセットパス：data_path =/path/to/your/test_data＃独自の画像を変更します
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
上の写真を見たい場合は、次のコマンドを使用する必要があります。
# 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 評価データセットパス：data_path =/path/to/your/test_data＃独自の画像を変更します
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.pyval_voc.pyのshowatt = tureを設定すると、ネットワークの出力からヒートマップが出現したことがわかります
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ヒートマップはoutput/このようなもので見ることができます：
