## YOLOV3:You Only Look Once 目标检测模型在 Pytorch 当中的实现
---
**2021 年 10 月 12 日更新:**
**进行了大幅度的更新,对代码的模块进行修改,加了大量注释。**
## 目录
1. [性能情况 Performance](#%E6%80%A7%E8%83%BD%E6%83%85%E5%86%B5)
2. [所需环境 Environment](#%E6%89%80%E9%9C%80%E7%8E%AF%E5%A2%83)
3. [文件下载 Download](#%E6%96%87%E4%BB%B6%E4%B8%8B%E8%BD%BD)
4. [训练步骤 How2train](#%E8%AE%AD%E7%BB%83%E6%AD%A5%E9%AA%A4)
5. [预测步骤 How2predict](#%E9%A2%84%E6%B5%8B%E6%AD%A5%E9%AA%A4)
6. [评估步骤 How2eval](#%E8%AF%84%E4%BC%B0%E6%AD%A5%E9%AA%A4)
7. [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 |
| :------------: | :------------------------------------------------------------------------------------------------------: | :----------: | :----------: | :----------: | :-----: |
| COCO-Train2017 | [yolo_weights.pth](https://github.com/bubbliiiing/yolo3-pytorch/releases/download/v1.0/yolo_weights.pth) | COCO-Val2017 | 416x416 | 38.0 | 67.2 |
## 所需环境
torch == 1.2.0
详情请看 requirements.txt,文件具有一定兼容性,已测试 pytorch1.7 和 1.7.1 可以正常运行。
## 文件下载
训练所需的 yolo_weights.pth 可以在百度云下载。
链接: [https://pan.baidu.com/s/1ncREw6Na9ycZptdxiVMApw](https://pan.baidu.com/s/1ncREw6Na9ycZptdxiVMApw)
提取码: appk
VOC 数据集下载地址如下,里面已经包括了训练集、测试集、验证集(与测试集一样),无需再次划分:
链接: [https://pan.baidu.com/s/1YuBbBKxm2FGgTU5OfaeC5A](https://pan.baidu.com/s/1YuBbBKxm2FGgTU5OfaeC5A)
提取码: uack
## 训练步骤
### a、训练 VOC07+12 数据集
1. 数据集的准备
**本文使用 VOC 格式进行训练,训练前需要下载好 VOC07+12 的数据集,解压后放在根目录**
2. 数据集的处理
修改 voc_annotation.py 里面的 annotation_mode=2,运行 voc_annotation.py 生成根目录下的 2007_train.txt 和 2007_val.txt。
3. 开始网络训练
train.py 的默认参数用于训练 VOC 数据集,直接运行 train.py 即可开始训练。
4. 训练结果预测
训练结果预测需要用到两个文件,分别是 yolo.py 和 predict.py。我们首先需要去 yolo.py 里面修改 model_path 以及 classes_path,这两个参数必须要修改。
**model_path 指向训练好的权值文件,在 logs 文件夹里。
classes_path 指向检测类别所对应的 txt。**
完成修改后就可以运行 predict.py 进行检测了。运行后输入图片路径即可检测。
### b、训练自己的数据集
1. 数据集的准备
**本文使用 VOC 格式进行训练,训练前需要自己制作好数据集,**
训练前将标签文件放在 VOCdevkit 文件夹下的 VOC2007 文件夹下的 Annotation 中。
训练前将图片文件放在 VOCdevkit 文件夹下的 VOC2007 文件夹下的 JPEGImages 中。
2. 数据集的处理
在完成数据集的摆放之后,我们需要利用 voc_annotation.py 获得训练用的 2007_train.txt 和 2007_val.txt。
修改 voc_annotation.py 里面的参数。第一次训练可以仅修改 classes_path,classes_path 用于指向检测类别所对应的 txt。
训练自己的数据集时,可以自己建立一个 cls_classes.txt,里面写自己所需要区分的类别。
model_data/cls_classes.txt 文件内容为:
```python
cat
dog
...
```
修改 voc_annotation.py 中的 classes_path,使其对应 cls_classes.txt,并运行 voc_annotation.py。
3. 开始网络训练
**训练的参数较多,均在 train.py 中,大家可以在下载库后仔细看注释,其中最重要的部分依然是 train.py 里的 classes_path。**
**classes_path 用于指向检测类别所对应的 txt,这个 txt 和 voc_annotation.py 里面的 txt 一样!训练自己的数据集必须要修改!**
修改完 classes_path 后就可以运行 train.py 开始训练了,在训练多个 epoch 后,权值会生成在 logs 文件夹中。
4. 训练结果预测
训练结果预测需要用到两个文件,分别是 yolo.py 和 predict.py。在 yolo.py 里面修改 model_path 以及 classes_path。
**model_path 指向训练好的权值文件,在 logs 文件夹里。
classes_path 指向检测类别所对应的 txt。**
完成修改后就可以运行 predict.py 进行检测了。运行后输入图片路径即可检测。
## 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 yolo_weights.pth,放入 model_data,运行 predict.py,输入
```python
img/street.jpg
```
2. 在 predict.py 里面进行设置可以进行 fps 测试和 video 视频检测。
### 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 = {
#--------------------------------------------------------------------------#
# 使用自己训练好的模型进行预测一定要修改model_path和classes_path!
# model_path指向logs文件夹下的权值文件,classes_path指向model_data下的txt
# 如果出现shape不匹配,同时要注意训练时的model_path和classes_path参数的修改
#--------------------------------------------------------------------------#
"model_path" : 'model_data/yolo_weights.pth',
"classes_path" : 'model_data/coco_classes.txt',
#---------------------------------------------------------------------#
# anchors_path代表先验框对应的txt文件,一般不修改。
# anchors_mask用于帮助代码找到对应的先验框,一般不修改。
#---------------------------------------------------------------------#
"anchors_path" : 'model_data/yolo_anchors.txt',
"anchors_mask" : [[6, 7, 8], [3, 4, 5], [0, 1, 2]],
#---------------------------------------------------------------------#
# 输入图片的大小,必须为32的倍数。
#---------------------------------------------------------------------#
"input_shape" : [416, 416],
#---------------------------------------------------------------------#
# 只有得分大于置信度的预测框会被保留下来
#---------------------------------------------------------------------#
"confidence" : 0.5,
#---------------------------------------------------------------------#
# 非极大抑制所用到的nms_iou大小
#---------------------------------------------------------------------#
"nms_iou" : 0.3,
#---------------------------------------------------------------------#
# 该变量用于控制是否使用letterbox_image对输入图像进行不失真的resize,
# 在多次测试后,发现关闭letterbox_image直接resize的效果更好
#---------------------------------------------------------------------#
"letterbox_image" : False,
#-------------------------------#
# 是否使用Cuda
# 没有GPU可以设置成False
#-------------------------------#
"cuda" : True,
}
```
3. 运行 predict.py,输入
```python
img/street.jpg
```
4. 在 predict.py 里面进行设置可以进行 fps 测试和 video 视频检测。
## 评估步骤
### a、评估 VOC07+12 的测试集
1. 本文使用 VOC 格式进行评估。VOC07+12 已经划分好了测试集,无需利用 voc_annotation.py 生成 ImageSets 文件夹下的 txt。
2. 在 yolo.py 里面修改 model_path 以及 classes_path。**model_path 指向训练好的权值文件,在 logs 文件夹里。classes_path 指向
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
深度学习期末大作业,使用Python实现戴口罩人脸识别;本项目由以下两个训练步骤:1.训练VOC07+12数据集;2.训练自己的数据集。以下几个预测步骤:1.使用预训练权重;2.使用自己训练的权重。最后进行评估:1.评估VOC07+12的测试集;2.评估自己的数据集。
资源推荐
资源详情
资源评论
收起资源包目录
100012540-使用Python实现戴口罩人脸识别.zip (30个子文件)
renlianshibei
voc_annotation.py 5KB
LICENSE 1KB
predict.py 6KB
utils
utils.py 2KB
__init__.py 1B
utils_bbox.py 12KB
utils_map.py 35KB
dataloader.py 6KB
utils_fit.py 4KB
callbacks.py 2KB
nets
__init__.py 1B
darknet.py 4KB
yolo_training.py 20KB
yolo.py 5KB
model_data
yolo_anchors.txt 75B
simhei.ttf 9.3MB
coco_classes.txt 625B
voc_classes.txt 134B
常见问题汇总.md 35KB
img
street.jpg 437KB
VOCdevkit
VOC2007
ImageSets
Main
README.md 24B
Annotations
README.md 18B
JPEGImages
README.md 18B
summary.py 491B
requirements.txt 141B
get_map.py 6KB
logs
README.md 30B
train.py 13KB
README.md 9KB
yolo.py 15KB
共 30 条
- 1
资源评论
- 零叭一叭2024-04-22非常有用的资源,有一定的参考价值,受益匪浅,值得下载。
神仙别闹
- 粉丝: 2667
- 资源: 7640
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 126641091882064LSPatch.apk
- 5G网络基础培训课件.zip
- 2024-spring-HIT-CS-大作业
- yolo目标检测项目实验
- downloadFile-1.hc
- C++课程设计:基于Qt的航班信息管理系统
- ADS7822UVerilog驱动,前面传的有点问题
- 基于python的高性能爬虫程序,使用了多线程+缓存+xpath实现的,这里以彼-岸图库为例,实现,仅用于学习交流
- 中分辨率成像光谱仪(MODIS)烧毁面积产品信息MODIS-C6-BA-User-Guide-1.2.pdf
- Screenshot_20240427_172613_com.huawei.browser.jpg
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功