yolov4-tiny-pytorch抽烟检测

## YOLOV4-Tiny：You Only Look Once-Tiny目标检测模型在Keras当中的实现 --- ### 目录 1. [所需环境 Environment](#所需环境) 2. [注意事项 Attention](#注意事项) 3. [小技巧的设置 TricksSet](#小技巧的设置) 4. [文件下载 Download](#文件下载) 5. [预测步骤 How2predict](#预测步骤) 6. [训练步骤 How2train](#训练步骤) 7. [参考资料 Reference](#Reference) ### 所需环境 torch==1.2.0 ### 注意事项 代码中的yolov4_tiny_voc.pth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_voc.pth可在百度网盘中下载。 链接: https://pan.baidu.com/s/1iLlac8QaCDmBfEtb9EC3IQ 提取码: hjuu ### 预测步骤 #### 1、使用预训练权重 a、下载完库后解压，在百度网盘下载yolov4_tiny_voc.pth，放入model_data，运行predict.py，输入 ```python img/street.jpg ``` 可完成预测。 b、利用video.py可进行摄像头检测。 #### 2、使用自己训练的权重 a、按照训练步骤训练。 b、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_voc.pth', "anchors_path": 'model_data/yolo_anchors.txt', "classes_path": 'model_data/voc_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) } ``` c、运行predict.py，输入 ```python img/street.jpg ``` 可完成预测。 d、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。 ### 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