yolo2 pytorch下載yolo2 pytorch源代碼下載

yolo2 pytorch

Python

1.0.0

下載

pytorch的yolov2

注意：此項目不再維護，並且可能與最新的Pytorch不兼容（0.4.0之後）。

這是Yolov2的Pytorch實施。該項目主要基於DarkFlow和Darknet。

我使用了Cython擴展程序進行後處理和multiprocessing.Pool圖像預處理。在VOC2007中測試圖像的成本約為13〜20ms。

有關Yolo和Yolov2的詳細信息，請參閱其項目頁面和論文： Yolo9000：更好，更快，更強壯的Joseph Redmon和Ali Farhadi 。

注1：這仍然是一個實驗項目。 VOC07測試地圖約為0.71（在VOC07+12 TrainVal上進行了培訓， @Cory8249報告）。有關培訓的更多詳細信息，請參見第1期和第23期。

注2：我建議使用torch.utils.data.dataset編寫自己的數據加載程序，因為multiprocessing.Pool.imap也不會停止，即使沒有足夠的內存空間。 VOCDATASET的dataloader的一個示例：第71期。

注3：升級到Pytorch 0.4：＃59

安裝和演示

克隆這個存儲庫

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

構建reorg層（ tf.extract_image_patches ）
```
 cd yolo2-pytorch
./make.sh
```
下載訓練有素的型號yolo-voc.Wewights.h5（鏈接更新）並在demo.py中設置模型路徑
運行演示python demo.py

訓練Yolov2

您可以在任何數據集上訓練YOLO2。在這裡，我們在VOC2007/2012上訓練它。

下載培訓，驗證，測試數據和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

將所有這些焦油提取到一個名為VOCdevkit的目錄中

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

它應該具有這種基本結構

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

由於默認情況下，該程序將數據加載到yolo2-pytorch/data中，因此您可以將數據路徑設置為以下內容。
```
 cd yolo2-pytorch
mkdir data
cd data
ln -s $VOCdevkit VOCdevkit2007
```
下載預處理的darknet19型號（鏈接更新），並在yolo2-pytorch/cfgs/exps/darknet19_exp1.py中設置路徑。
（可選）張量訓練。
要使用TensorBoard，請在yolo2-pytorch/cfgs/config.py中設置USE_TENSORBOARD use_tensorboard = True （https://github.com/lanpa/tensorboard-pytorch）。張板日誌將保存在training/runs中。
運行培訓計劃： python train.py 。

評估

在yolo2-pytorch/cfgs/config.py中設置trained_model的路徑。

 cd faster_rcnn_pytorch
mkdir output
python test.py

根據自己的數據培訓

遠期通行證要求您向網絡提供4個參數：

im_data圖像數據。
- 這應該以C x H x W格式，其中C對應於圖像的顏色通道， H和W分別為高度和寬度。
- 顏色通道應採用RGB格式。
- 使用utils/im_transform.py中提供的imcv2_recolor函數來預處理圖像。另外，確保圖像已大小為416 x 416像素
gt_boxes一個numpy數組的列表，其中每個陣列的大小為N x 4 ，其中N是圖像中的功能數量。每行的四個值應對應於x_bottom_left ， y_bottom_left ， x_top_right和y_top_right 。
gt_classes numpy數組的列表，其中每個數組包含一個與gt_boxes中提供的每個邊界框相對應的整數值
dontcare列表列表