yolo2 pytorch下载yolo2 pytorch源代码下载

yolo2 pytorch

Python

1.0.0

下载

pytorch的yolov2

注意：此项目不再维护，并且可能与最新的Pytorch不兼容（0.4.0之后）。

这是Yolov2的Pytorch实施。该项目主要基于DarkFlow和Darknet。

我使用了Cython扩展程序进行后处理和multiprocessing.Pool图像预处理。在VOC2007中测试图像的成本约为13〜20ms。

有关Yolo和Yolov2的详细信息，请参阅其项目页面和论文： Yolo9000：更好，更快，更强壮的Joseph Redmon和Ali Farhadi 。

注1：这仍然是一个实验项目。 VOC07测试地图约为0.71（在VOC07+12 TrainVal上进行了培训， @Cory8249报告）。有关培训的更多详细信息，请参见第1期和第23期。

注2：我建议使用torch.utils.data.dataset编写自己的数据加载程序，因为multiprocessing.Pool.imap也不会停止，即使没有足够的内存空间。 VOCDATASET的dataloader的一个示例：第71期。

注3：升级到Pytorch 0.4：＃59

安装和演示

克隆这个存储库

git clone [email protected]:longcw/yolo2-pytorch.git

构建reorg层（ tf.extract_image_patches ）
```
 cd yolo2-pytorch
./make.sh
```
下载训练有素的型号yolo-voc.Wewights.h5（链接更新）并在demo.py中设置模型路径
运行演示python demo.py

训练Yolov2

您可以在任何数据集上训练YOLO2。在这里，我们在VOC2007/2012上训练它。

下载培训，验证，测试数据和VOCDEVKIT

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
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar

将所有这些焦油提取到一个名为VOCdevkit的目录中

tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar

它应该具有这种基本结构

 $VOCdevkit /                           # development kit
$VOCdevkit /VOCcode/                   # VOC utility code
$VOCdevkit /VOC2007                    # image sets, annotations, etc.
# ... and several other directories ...

由于默认情况下，该程序将数据加载到yolo2-pytorch/data中，因此您可以将数据路径设置为以下内容。
```
 cd yolo2-pytorch
mkdir data
cd data
ln -s $VOCdevkit VOCdevkit2007
```
下载预处理的darknet19型号（链接更新），并在yolo2-pytorch/cfgs/exps/darknet19_exp1.py中设置路径。
（可选）张量训练。
要使用TensorBoard，请在yolo2-pytorch/cfgs/config.py中设置use_tensorboard = True and install tensorboardx（https://github.com/lanpa/tensorboard-pytorch）。张板日志将保存在training/runs中。
运行培训计划： python train.py 。

评估

在yolo2-pytorch/cfgs/config.py中设置trained_model的路径。

 cd faster_rcnn_pytorch
mkdir output
python test.py

根据自己的数据培训

远期通行证要求您向网络提供4个参数：

im_data图像数据。
- 这应该以C x H x W格式，其中C对应于图像的颜色通道， H和W分别为高度和宽度。
- 颜色通道应采用RGB格式。
- 使用utils/im_transform.py中提供的imcv2_recolor函数来预处理图像。另外，确保图像已大小为416 x 416像素
gt_boxes一个numpy数组的列表，其中每个阵列的大小为N x 4 ，其中N是图像中的功能数量。每行的四个值应对应于x_bottom_left ， y_bottom_left ， x_top_right和y_top_right 。
gt_classes numpy数组的列表，其中每个数组包含一个与gt_boxes中提供的每个边界框相对应的整数值
dontcare列表列表