YOLOv4 pytorch

yolov4-pytorch（细心的yolov4和mobilenetv3 yolov4）

提示：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

• 这是基于官方的Darknet实施Alexeyab/Darknet与Pascal VOC，COCO和客户数据集的官方Darknet实施的Pytorch重新实施

结果（更新）

姓名	火车数据集	测试数据集	测试尺寸	地图	推理时间（MS）	参数（m）	模型链接
Mobilenetv2-Yolov4	VOC Trainval（07+12）	VOC测试（07）	416	0.851	11.29	46.34	args

更新！！！

Mobilenetv3-Yolov4即将到达！（您只需要更改config/yolov4_config.py中的model_type）

消息！！！

此存储库在主干中添加了一些有用的注意方法。以下图片说明了这样的事情：

• SENET（CVPR 2017）

• CBAM（CVPR 2018）

亮点

Yolov4（细心Yolov4和Mobilenet-Yolov4）有一些有用的模块

此存储库易于使用，易于阅读和与其他人相比，它不复杂以改进！！！

环境

• NVIDA GEFORCE RTX 2080TI
• CUDA10.0
• cudnn7.0
• Windows或Linux
• Python 3.6

---

简短的

• 坐标（CVPR2021）（Torch> = 1.4）
• do-conv（arxiv2020）（火炬> = 1.2）
• 注意力
• FP_16培训
• 米什
• 自定义数据
• 数据增强（Randomhorizontalflip，Random Crop，RandomAffine，调整大小）
• 多尺度培训（320至640）
• 局部损失
• ciou
• 标签光滑
• 混合
• 余弦LR

---

安装依赖项

运行安装脚本以安装所有依赖项。您需要提供CONDA安装路径（例如/anaconda3）和创建的conda环境（此处YOLOv4-pytorch ）的名称。

pip3 install -r requirements.txt --user

注意：安装脚本已在Ubuntu 18.04和Window 10系统上进行了测试。如果出现问题，请检查详细的安装说明。

准备的工作

1、GIT克隆Yolov4存储库

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

在config/yolov4_config.py中更新"PROJECT_PATH" 。

---

2，准备了数据集

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

• 下载链接：{voc 2012_trainval，

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

• 下载链接：{train2017_img train2017_ann，val2017_img，val2017_ann，test2017_img test2017_list}

进而

• 将它们放入DIR中，然后更新config/yolov4_config.py中的"DATA_PATH" 。
• （对于可可）使用coco_to_voc.py将可可数据类型传输到VOC数据类型。
• Convert data format :use utils/voc.py or utils/coco.py convert the pascal voc *.xml format (COCO *.json format)to *.txt format (Image_path xmin0,ymin0,xmax0,ymax0,class0 xmin1,ymin1,xmax1,ymax1,class1 ...).

3，下载权重文件

• DarkNet预训练重量：Yolov4
• Mobilenet预先训练的重量：Mobilenetv2（代码：ARGS），MobilenetV3（代码：ARGS）
• 在Yolov4中进行DIR weight/将重量文件放入。
• 在运行培训程序时，请在config/yolov4_config.py中设置model_type。

4，转到您自己的数据集（（训练自己的数据集）

• 将数据集的图片放入jpegimages文件夹中，然后注释文件到注释文件夹中。
• 使用XML_TO_TXT.PY文件将培训和测试文件列表写入ImageSet/Main/*。TXT。
• Convert data format :use utils/voc.py or utils/coco.py convert the pascal voc *.xml format (COCO *.json format)to *.txt format (Image_path xmin0,ymin0,xmax0,ymax0,class0 xmin1,ymin1,xmax1,ymax1,class1 ...).

---

训练

运行以下命令开始培训并查看config/yolov4_config.py中的详细信息，然后在运行培训程序时设置data_type是voc或可可。

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

另外 *它支持恢复培训添加--resume ，它将通过使用COMMAD自动last.pt

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

---

检测

修改检测到IMG路径：data_test =/path/to/your/test_data＃您自己的图像

 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

图像可以在output/中看到。您可以看到如下的图片：

---

测试视频

调整：

• video_path：/path/to/your/video
• weight_path：/path/to/your/strige
• 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

---

评估Pascal VOC）

修改您的评估数据集路径：data_path =/path/to/your/test_data＃您自己的图像

 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

如果要查看上面的图片，则应使用以下命令：

 # 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 

评估（可可）

修改您的评估数据集路径：data_path =/path/to/your/test_data＃您自己的图像

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

---

评估您的模型参数

python3 utils/modelsize.py

---

可视化热图

SET ASWATT = val_voc.py中的ture，您将看到网络输出中出现的热图

 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

热图可以在output/这样看到：

参考

• 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