หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>หลาม
ดาวน์โหลด

YOLOV4-PYTORCH (Attentive YOLOV4 และ MOBILENETV3 YOLOV4)

เคล็ดลับ： 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

  • นี่คือการใช้ Pytorch อีกครั้งของสถาปัตยกรรม YOLOV4 ตามการใช้งาน Darknet อย่างเป็นทางการ Alexeyab/Darknet ด้วย Pascal VOC, Coco และชุดข้อมูลลูกค้า

ผลลัพธ์ (อัปเดต)

ชื่อ ชุดข้อมูลฝึกอบรม ชุดข้อมูลทดสอบ ขนาดทดสอบ แผนที่ เวลาอนุมาน (MS) params (M) ลิงค์โมเดล
mobilenetv2-yolov4 VOC Trainval (07+12) การทดสอบ VOC (07) 416 0.851 11.29 46.34 อาร์กอน

อัปเดต!!!

Mobilenetv3-yolov4 มาถึงแล้ว! （คุณต้องเปลี่ยน model_type ใน config/yolov4_config.py)

ข่าว!!!

repo นี้เพิ่มวิธีการให้ความสนใจที่เป็นประโยชน์ในกระดูกสันหลังภาพต่อไปนี้แสดงสิ่งดังกล่าว:

  • Senet (CVPR 2017)

เซเน็ต

  • CBAM (CVPR 2018)

จี้

ไฮไลท์

YOLOV4 (Attentive YOLOV4 และ MOBILENET-YOLOV4) ด้วยโมดูลที่มีประโยชน์บางอย่าง

repo นี้ใช้งานง่ายอ่านง่ายและไม่ซับซ้อนเมื่อเทียบกับคนอื่น ๆ !!!

สิ่งแวดล้อม

  • Nvida GeForce RTX 2080TI
  • cuda10.0
  • cudnn7.0
  • Windows หรือ Linux
  • Python 3.6

รวบรัด

  • การประสานงาน (CVPR2021) (TORCH> = 1.4)
  • DO-CONV (ARXIV2020) (TORCH> = 1.2)
  • ความสนใจ
  • การฝึกอบรม FP_16
  • ผิดพลาด
  • ข้อมูลที่กำหนดเอง
  • การเพิ่มข้อมูล (randomhorizontalflip, randomcrop, randomaffine, resize)
  • การฝึกอบรมหลายระดับ (320 ถึง 640)
  • การสูญเสียโฟกัส
  • ciou
  • ฉลากเรียบ
  • การผสมผสาน
  • โคไซน์ LR

ติดตั้งการพึ่งพา

เรียกใช้สคริปต์การติดตั้งเพื่อติดตั้งการพึ่งพาทั้งหมด คุณต้องจัดเตรียมเส้นทางการติดตั้ง conda (เช่น ~/anaconda3) และชื่อสำหรับสภาพแวดล้อม conda ที่สร้างขึ้น (ที่นี่ YOLOv4-pytorch ) 

pip3 install -r requirements.txt --user

หมายเหตุ: สคริปต์การติดตั้งได้รับการทดสอบในระบบ Ubuntu 18.04 และ Window 10 ในกรณีที่มีปัญหาให้ตรวจสอบคำแนะนำการติดตั้งโดยละเอียด

เตรียมงาน

1、 git clone yolov4 repository 

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

อัปเดต "PROJECT_PATH" ใน config/yolov4_config.py

2、 ชุดข้อมูลที่เตรียมไว้

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
  • ดาวน์โหลดลิงค์: {VOC2_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
  • ดาวน์โหลดลิงค์: {Train2017_img、 Train2017_ann、 val2017_img、 val2017_ann、 test2017_img、 test2017_list}

แล้วก็

  • ใส่ไว้ใน DIR และอัปเดต "DATA_PATH" ใน config/yolov4_config.py
  • (สำหรับ Coco) ใช้ coco_to_voc.py เพื่อถ่ายโอนข้อมูล Coco ไปยังข้อมูล VOC
  • แปลงรูปแบบข้อมูล: ใช้ utils/voc.py หรือ utils/coco.py แปลงรูปแบบ pascal voC *.xml (รูปแบบ coco *.json) เป็น *.txt รูปแบบ (image_path xmin0, ymin0, xmax0, ymax0, class0 xmin1, ymin1, xmax1, ymax1

3、 ดาวน์โหลดไฟล์น้ำหนัก

  • น้ำหนักที่ได้รับการฝึกอบรมล่วงหน้า Darknet: YOLOV4
  • Mobilenet น้ำหนักที่ได้รับการฝึกอบรมล่วงหน้า: Mobilenetv2 (รหัส: Args), Mobilenetv3 (รหัส: ARGS)
  • ทำ weight/ ใน YOLOV4 และใส่ไฟล์น้ำหนัก
  • ตั้งค่า model_type ใน config/yolov4_config.py เมื่อคุณเรียกใช้โปรแกรมการฝึกอบรม

4、 โอนไปยังชุดข้อมูลของคุณเอง （ฝึกอบรมชุดข้อมูลของคุณเอง）

  • ใส่รูปภาพของชุดข้อมูลของคุณลงในโฟลเดอร์ JPeGimages และไฟล์หมายเหตุประกอบลงในโฟลเดอร์คำอธิบายประกอบ
  • ใช้ไฟล์ xml_to_txt.py เพื่อเขียนรายการการฝึกอบรมและทดสอบไฟล์ไปยังอิมเมจ/หลัก/*. txt
  • แปลงรูปแบบข้อมูล: ใช้ utils/voc.py หรือ utils/coco.py แปลงรูปแบบ pascal voC *.xml (รูปแบบ coco *.json) เป็น *.txt รูปแบบ (image_path xmin0, ymin0, xmax0, ymax0, class0 xmin1, ymin1, xmax1, ymax1

เพื่อฝึกฝน

เรียกใช้คำสั่งต่อไปนี้เพื่อเริ่มการฝึกอบรมและดูรายละเอียดใน config/yolov4_config.py และคุณควรตั้งค่า data_type คือ VOC หรือ Coco เมื่อคุณเรียกใช้โปรแกรมการฝึกอบรม 

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

นอกจากนี้ * รองรับการเพิ่มการฝึกอบรม last.pt มาใช้งาน --resume ความชุน 

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

เพื่อตรวจจับ

ปรับเปลี่ยนเส้นทางตรวจจับของคุณ: data_test =/path/to/test/test_data # รูปภาพของคุณเอง 

 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

ภาพสามารถเห็นได้ใน output/ คุณสามารถเห็นภาพเช่นดังนี้:

det-result

เพื่อทดสอบวิดีโอ

แก้ไข:

  • Video_Path:/path/to/ของคุณ/วิดีโอ
  • weight_path:/path/to/ของคุณ/น้ำหนัก
  • 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

เพื่อประเมิน （Pascal VOC)

แก้ไขเส้นทางการประเมินข้อมูลของคุณ: data_path =/path/to/your/test_data # รูปภาพของคุณเอง 

 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

ผลลัพธ์

หากคุณต้องการดูภาพด้านบนคุณควรใช้คำสั่งติดตาม: 

 # 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

เพื่อประเมิน （coco）

แก้ไขเส้นทางการประเมินข้อมูลของคุณ: data_path =/path/to/your/test_data # รูปภาพของคุณเอง 

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

เพื่อประเมินพารามิเตอร์โมเดลของคุณ 

python3 utils/modelsize.py

เพื่อแสดงภาพความร้อน

set showatt = ture ใน val_voc.py และคุณจะเห็นความร้อนที่เกิดขึ้นจากเอาต์พุต 'เครือข่าย' 

 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

ความร้อนสามารถเห็นได้ใน output/ เช่นนี้:

แมปความร้อน

อ้างอิง

  • 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
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด