基于Python与YOLOv4的垃圾检测识别系统(源码)

## YOLOV4-Tiny：You Only Look Once-Tiny目标检测模型在TF2当中的实现 --- **2021年2月7日更新：** **仔细对照了darknet库的网络结构，发现P5_Upsample和feat1的顺序搞反了，已经调整，重新训练了权值，加入letterbox_image的选项，关闭letterbox_image后网络的map得到提升。** ## 目录 1. [性能情况 Performance](#性能情况) 2. [所需环境 Environment](#所需环境) 3. [注意事项 Attention](#注意事项) 4. [小技巧的设置 TricksSet](#小技巧的设置) 5. [文件下载 Download](#文件下载) 6. [预测步骤 How2predict](#预测步骤) 7. [训练步骤 How2train](#训练步骤) 8. [评估步骤 How2eval](#评估步骤) 9. [参考资料 Reference](#Reference) ## 性能情况 | 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | mAP 0.5:0.95 | mAP 0.5 | | :-----: | :-----: | :------: | :------: | :------: | :-----: | | VOC07+12+COCO | [yolov4_tiny_weights_voc.h5](https://github.com/bubbliiiing/yolov4-tiny-tf2/releases/download/v1.0/yolov4_tiny_weights_voc.h5) | VOC-Test07 | 416x416 | - | 77.5 | COCO-Train2017 | [yolov4_tiny_weights_coco.h5](https://github.com/bubbliiiing/yolov4-tiny-tf2/releases/download/v1.0/yolov4_tiny_weights_coco.h5) | COCO-Val2017 | 416x416 | 21.8 | 41.3 ## 所需环境 tensorflow-gpu==2.2.0 ## 注意事项 代码中的yolov4_tiny_weights_coco.h5和yolov4_tiny_weights_voc.h5是基于416x416的图片训练的。 ## 小技巧的设置 在train.py文件下： 1、mosaic参数可用于控制是否实现Mosaic数据增强。 2、Cosine_scheduler可用于控制是否使用学习率余弦退火衰减。 3、label_smoothing可用于控制是否Label Smoothing平滑。 ## 文件下载 训练所需的yolov4_tiny_weights_coco.h5和yolov4_tiny_weights_voc.h5可在百度网盘中下载。 链接: https://pan.baidu.com/s/1FNRe6K6BB8xXZuRS7Z4Shw 提取码: 75me VOC数据集下载地址如下： VOC2007+2012训练集 链接: https://pan.baidu.com/s/16pemiBGd-P9q2j7dZKGDFA 提取码: eiw9 VOC2007测试集 链接: https://pan.baidu.com/s/1BnMiFwlNwIWG9gsd4jHLig 提取码: dsda ## 预测步骤 ### a、使用预训练权重 1. 下载完库后解压，在百度网盘下载yolov4_tiny_voc.h5，放入model_data，运行predict.py，输入 ```python img/street.jpg ``` 2. 利用video.py可进行摄像头检测。 ### b、使用自己训练的权重 1. 按照训练步骤训练。 2. 在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类**。 ```python _defaults = { "model_path": 'model_data/yolov4_tiny_weights_coco.h5', "anchors_path": 'model_data/yolo_anchors.txt', "classes_path": 'model_data/coco_classes.txt, "score" : 0.5, "iou" : 0.3, # 显存比较小可以使用416x416 # 显存比较大可以使用608x608 "model_image_size" : (416, 416) } ``` 3. 运行predict.py，输入 ```python img/street.jpg ``` 4. 利用video.py可进行摄像头检测。 ## 训练步骤 1. 本文使用VOC格式进行训练。 2. 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。 3. 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。 4. 在训练前利用voc2yolo4.py文件生成对应的txt。 5. 再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。**注意不要使用中文标签，文件夹中不要有空格！** ```python classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"] ``` 6. 此时会生成对应的2007_train.txt，每一行对应其**图片位置**及其**真实框的位置**。 7. **在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，在train.py中将classes_path指向该文件**，示例如下： ```python classes_path = 'model_data/new_classes.txt' ``` model_data/new_classes.txt文件内容为： ```python cat dog ... ``` 8. 运行train.py即可开始训练。 ## 评估步骤 评估过程可参考视频https://www.bilibili.com/video/BV1zE411u7Vw 步骤是一样的，不需要自己再建立get_dr_txt.py、get_gt_txt.py等文件。 1. 本文使用VOC格式进行评估。 2. 评估前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。 3. 评估前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。 4. 在评估前利用voc2yolo4.py文件生成对应的txt，评估用的txt为VOCdevkit/VOC2007/ImageSets/Main/test.txt，需要注意的是，如果整个VOC2007里面的数据集都是用于评估，那么直接将trainval_percent设置成0即可。 5. 在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类**。 6. 运行get_dr_txt.py和get_gt_txt.py，在./input/detection-results和./input/ground-truth文件夹下生成对应的txt。 7. 运行get_map.py即可开始计算模型的mAP。 ## mAP目标检测精度计算更新 更新了get_gt_txt.py、get_dr_txt.py和get_map.py文件。 get_map文件克隆自https://github.com/Cartucho/mAP 具体mAP计算过程可参考：https://www.bilibili.com/video/BV1zE411u7Vw ## Reference https://github.com/qqwweee/keras-yolo3/ https://github.com/Cartucho/mAP https://github.com/Ma-Dan/keras-yolo4