重构YOLO v3代码实现

---

该仓库基于eriklindernoren的PyTorch-YOLOv3进行的，非常感谢他无私的奉献。

• 原地址
• 原地址的加注释版本
• 重构版本 强烈推荐！（即本仓库）

---

目前支持：

• 数据集：COCO
• 网络：Darknet-52

相比原作者的特点：

• 所有参数均可在config.py中设置
• 重新整理结构，并加入大量代码注释
• 加入visdom可视化

---

一般项目结构

1、定义网络

2、封装数据集

3、工具类

4、主函数

• 环境：

  python版本	pytorch版本
  3.5	0.4

---

Darknet-52网络结构

以下阅读源码有用：

hyperparams

module_list

module_defs

---

准备数据集：

下载COCO的数据集

$ cd data/
$ bash get_coco_dataset.sh

数据集结构

data/coco
│
└───images
│   │   train2014
│   │   val2014
│   
└───labels
│   │   train2014
│   │   val2014
│   ...
│   ...

---

Trian:

1、开启Visdom（类似TnsorFlow的tensorboard,可视化工具）

# First install Python server and client
pip install visdom
# Start the server 
python -m visdom.server

2、开始训练

在config.py中设置参数。

在main.py中将运行train()。

由于原仓库保存、加载模型bug，故不支持保存为 .weight官方格式（二进制且仅保存conv和bn层参数，其余参数读取cfg文件即可），训练保存模型为.pt模型（保存整个模型）。

---

Test:

作用：测试，计算mAP

1、下载官方的预训练模型

$ cd checkpoints/
$ bash download_weights.sh

2、在config.py中load_model_path配置预训练模型的路径

支持官方模型 .weight 和 自训练模型 .pt

3、 在config.py中设置参数。

在main.py中运行test()。

Model	mAP (min. 50 IoU)
YOLOv3 (paper)	57.9
YOLOv3 (官方)	58.38
YOLOv3 (this impl.)	58.2

---

Predict:

功能：可视化预测图片

1、在config.py中load_model_path配置预训练模型的路径

支持官方模型 .weight 和 自训练模型 .pt

2、在config.py中设置参数。

在main.py中将运行detect()。

官方模型效果：

---

参考文献：

推荐配合阅读，效果更佳~

• 从0到1实现YOLOv3（part one）

• 从0到1实现YOLO v3（part two）

• yolo v3 译文

• YOLO v3网络结构分析

---

关于作者

• 原作者 eriklindernoren

• 本仓库作者 Mr.Li