yolo v3 spp网络目标检测实战项目：疟疾、恶性疟原虫物种目标检测

# YOLOv3 SPP ## 1 环境配置： * pycocotools(Linux: `pip install pycocotools`; Windows: `pip install pycocotools-windows`(不需要额外安装vs)) windows 可以尝试这条命令 ：pip install pycocotools -i https://pypi.douban.com/simple * 更多环境配置信息，请查看`requirements.txt`文件 ## 2 文件结构： * # 文件后有 #### 符号的，是根据自定义数据生成的或者需要自己定义的 # 没有的为项目本身自带的，不可以更改！！！ # 有了的部分，不需要删除，代码会将其覆盖 * ``` ├── cfg: 配置文件目录 │ ├── hyp.yaml: 训练网络的相关超参数 │ ├── yolov3-spp.cfg: 官方的 yolov3-spp 网络结构配置 │ ├── my_yolov3_spp.cfg: 根据自定义数据集生成的 my_yolov3_spp.cfg 网络结构配置 #### 生成的yolov3 spp模型 │ └── yolov3-spp-ultralytics-512.pt: 官方的预训练权重 512*512 输入 │ ├── data: 存储训练时数据集相关信息缓存 │ ├── my_data.data: 检测的个数，路径信息 #### generate_data.py 生成的 │ ├── my_train_data.txt: 训练集所有图像的路径 #### generate_data.py 生成的 │ ├── my_val_data.txt: 测试集所有图像的路径 #### generate_data.py 生成的 │ ├── my_train_data.shapes: 训练集所有图像的shapes #### train.py 生成的 │ └── my_val_data.shapes: 测试集所有图像的shapes #### train.py 生成的 │ ├── my_yolo_dataset: #### 自定义的数据集 │ ├── train: │ │ ├── images │ │ └── labels │ ├── val: │ │ ├── images │ │ └── labels │ └── my_data_label.txt #### 标签 │ ├── runs_results: #### 生成的训练信息 ├── utils: 搭建训练网络时使用到的工具 │ ├── utils_dataset.py: 数据加载的一些方法 │ ├── utils_model.py: 构建模型的方法 │ ├── utils_predict.py: 预测的一些方法 │ ├── utils_train.py: 训练工具函数 │ └── utils_train_tools: 训练网络过程中使用到的一些方法 │ ├── dataset: 数据加载 ├── generate_data: 生成文件 ├── model: 模型搭建文件 ├── train: 训练代码 └── predict: 简易的预测脚本，使用训练好的权重进行预测测试 ``` ## 3 训练数据的准备以及目录结构（labels 是yolo标注的） * 标注好的数据集请按照以下目录结构进行摆放: ``` ├── my_yolo_dataset 自定义数据集根目录 │ ├── train 训练集目录 │ │ ├── images 训练集图像目录 │ │ └── labels 训练集标签目录 │ ├── val 验证集目录 │ │ ├── images 验证集图像目录 │ │ └── labels 验证集标签目录 │ └── my_data_label.txt 标签 ``` ## 4 使用方法 * 确保提前准备好数据集，看第三步！！！ * 运行generate.py,需要注意的是图像的后缀需要根据自己的数据更改 img_path = img_path.replace('.txt','.jpg') # 根据后缀更改！！！ * 运行train.py 代码 训练过程中保存的`run_results/`是每个epoch在验证集上的COCO指标，前12个值是COCO指标，后面两个值是训练平均损失以及学习率和coco map 有些超参数在hyp.yaml文件里更改，不建议更改 * 预测运行predict.py 将图像改成test.jpg 放在文件夹下即可