## CenterNet:Objects as Points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](#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. [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. [评估步骤 How2eval](#评估步骤)
8. [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 | [centernet_resnet50_voc.pth](https://github.com/bubbliiiing/centernet-pytorch/releases/download/v1.0/centernet_resnet50_voc.pth) | VOC-Test07 | 512x512 | - | 77.1
| COCO-Train2017 | [centernet_hourglass_coco.pth](https://github.com/bubbliiiing/centernet-pytorch/releases/download/v1.0/centernet_hourglass_coco.pth) | COCO-Val2017 | 512x512 | 38.4 | 56.8
## 所需环境
torch==1.2.0
## 注意事项
代码中的centernet_resnet50_voc.pth是使用voc数据集训练的。
代码中的centernet_hourglass_coco.pth是使用coco数据集训练的。
**注意不要使用中文标签,文件夹中不要有空格!**
**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**。
## 文件下载
训练所需的centernet_resnet50_voc.pth、centernet_hourglass_coco.pth和主干的权值可在百度网盘中下载。
链接: https://pan.baidu.com/s/1dnQCtvQRenqL74Gk5ovM6Q
提取码: kfv1
centernet_resnet50_voc.pth是voc数据集的权重。
centernet_hourglass_coco.pth是coco数据集的权重。
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
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centernet.py和predict.py。我们首先需要去centernet.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centernet.py和predict.py。在centernet.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,在百度网盘下载权值,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centernet.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/centernet_resnet50_voc.pth',
"classes_path" : 'model_data/voc_classes.txt',
#--------------------------------------------------------------------------#
# 用于选择所使用的模型的主干
# resnet50, hourglass
#--------------------------------------------------------------------------#
"backbone" : 'resnet50',
#--------------------------------------------------------------------------#
# 输入图片的大小,设置成32的倍数
#--------------------------------------------------------------------------#
"input_shape" : [512, 512],
#--------------------------------------------------------------------------#
# 只有得分大于置信度的预测框会被保留下来
#--------------------------------------------------------------------------#
"confidence" : 0.3,
#---------------------------------------------------------------------#
# 非极大抑制所用到的nms_iou大小
#---------------------------------------------------------------------#
"nms_iou" : 0.3,
#--------------------------------------------------------------------------#
# 是否进行非极大抑制,可以根据检测效果自行选择
# backbone为resnet50时建议设置为True、backbone为hourglass时建议设置为False
#--------------------------------------------------------------------------#
"nms" : True,
#---------------------------------------------------------------------#
# 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�
没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
收起资源包目录
centernet-pytorch-main-drone.zip (70个子文件)
centernet-pytorch-main
summary.py 464B
logs
loss_2021_12_24_17_09_39
epoch_loss_2021_12_24_17_09_39.txt 1KB
epoch_loss_2021_12_24_17_09_39.png 46KB
epoch_val_loss_2021_12_24_17_09_39.txt 1KB
ep058-loss0.605-val_loss0.730.pth 124.88MB
loss_2021_12_23_21_58_06
epoch_loss_2021_12_23_21_58_06.txt 472B
epoch_loss_2021_12_23_21_58_06.png 30KB
epoch_val_loss_2021_12_23_21_58_06.txt 473B
README.md 24B
ep056-loss0.607-val_loss0.732.pth 124.88MB
nets
centernet_training.py 3KB
__pycache__
hourglass.cpython-36.pyc 3KB
hourglass.cpython-38.pyc 3KB
resnet50.cpython-36.pyc 6KB
resnet50.cpython-38.pyc 6KB
centernet.cpython-38.pyc 4KB
centernet.cpython-36.pyc 5KB
centernet_training.cpython-36.pyc 2KB
centernet.py 5KB
hourglass.py 4KB
resnet50.py 8KB
2007_val.txt 1.43MB
train.py 14KB
__pycache__
centernet.cpython-38.pyc 6KB
centernet.cpython-36.pyc 6KB
predict.py 7KB
get_map.py 6KB
voc_annotation.py 2KB
voc_annotation-1.py 5KB
LICENSE 1KB
.idea
misc.xml 195B
modules.xml 303B
centernet-pytorch-main.iml 492B
workspace.xml 7KB
.gitignore 50B
inspectionProfiles
Project_Default.xml 1KB
profiles_settings.xml 174B
2007_train.txt 6.5MB
centernet.py 20KB
requirements.txt 150B
2007_test.txt 685KB
model_data
simhei.ttf 9.3MB
drone_classes.txt 5B
coco_classes.txt 705B
voc_classes.txt 153B
centernet_resnet50_voc.pth 124.88MB
ep024-loss0.793-val_loss0.870.pth 124.88MB
VOCdevkit
VOC2007
Annotations
README.md 18B
JPEGImages
README.md 18B
ImageSets
Main
val.txt 441KB
test.txt 186KB
train.txt 1.99MB
README.md 19B
voc2frcnn.py 2KB
README.md 9KB
vision_for_centernet.py 2KB
常见问题汇总.md 36KB
utils
callbacks.py 2KB
utils.py 2KB
utils_map.py 36KB
__pycache__
utils_fit.cpython-36.pyc 3KB
callbacks.cpython-36.pyc 2KB
utils.cpython-36.pyc 2KB
dataloader.cpython-36.pyc 7KB
__init__.cpython-36.pyc 140B
utils_bbox.cpython-36.pyc 4KB
utils_fit.py 5KB
dataloader.py 10KB
__init__.py 1B
utils_bbox.py 10KB
共 70 条
- 1
资源评论
XTX_AI
- 粉丝: 5139
- 资源: 317
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
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