Skip to content

miemie2013/Pytorch-DIOU-YOLOv3

Repository files navigation

Pytorch-DIOU-YOLOv3

传送门

Keras版YOLOv3: https://github.com/miemie2013/Keras-DIOU-YOLOv3

Pytorch版YOLOv3:https://github.com/miemie2013/Pytorch-DIOU-YOLOv3

PaddlePaddle版YOLOv3:https://github.com/miemie2013/Paddle-DIOU-YOLOv3

PaddlePaddle完美复刻版版yolact: https://github.com/miemie2013/PaddlePaddle_yolact

Keras版YOLOv4: https://github.com/miemie2013/Keras-YOLOv4 (mAP 41%+)

Pytorch版YOLOv4: https://github.com/miemie2013/Pytorch-YOLOv4 (mAP 41%+)

Paddle版YOLOv4:https://github.com/miemie2013/Paddle-YOLOv4 (mAP 41%+)

PaddleDetection版SOLOv2: https://github.com/miemie2013/PaddleDetection-SOLOv2

Pytorch实时版FCOS,跑得比YOLOv4快: https://github.com/miemie2013/Pytorch-FCOS

Paddle实时版FCOS,跑得比YOLOv4快: https://github.com/miemie2013/Paddle-FCOS

Keras版CartoonGAN: https://github.com/miemie2013/keras_CartoonGAN

纯python实现一个深度学习框架: https://github.com/miemie2013/Pure_Python_Deep_Learning

Pytorch版PPYOLO: https://github.com/miemie2013/Pytorch-PPYOLO (mAP 44.8%)

更新日记

2020/01/13:初次见面

需要补充

冻结、解冻的代码,转rgb输入的脚本,其它稀奇古怪的东西

概述

Pytorch复现YOLOv3!使用DIOU loss训练。支持将模型导出为keras模型! 请查看 diou_loss的论文

参考了1个仓库:

https://github.com/YunYang1994/tensorflow-yolov3

这个仓库有很大一部分参考(用pytorch的api翻译)了YunYang1994的代码(label的填写以及损失函数部分),这里致敬大佬! 大部分为自己原创(我只是个搬砖的)。 YunYang1994的仓库训练出的模型很优秀,为了达到同等优秀的效果,所以损失函数部分参考了大佬仓库里的代码。

文件下载

在coco上的预训练模型yolo_bgr_mAP_47.pt,在release处下载。

coco2017数据集下载:

http://images.cocodataset.org/zips/train2017.zip 

http://images.cocodataset.org/annotations/annotations_trainval2017.zip

http://images.cocodataset.org/zips/val2017.zip 

http://images.cocodataset.org/annotations/stuff_annotations_trainval2017.zip

http://images.cocodataset.org/zips/test2017.zip 

http://images.cocodataset.org/annotations/image_info_test2017.zip

仓库文件介绍

train.py            训练yolov3,用的是ciou loss。
2_pytorch2keras.py  将pytorch模型导出为keras模型。给兄弟仓库兄弟版:https://github.com/miemie2013/Keras-DIOU-YOLOv3使用。
demo.py             用pytorch模型进行预测。对视频进行预测的话需要解除注释。
eval.py             对pytorch模型评估。跑完这个脚本后需要再跑mAP/main.py进行mAP的计算。


annotation/  存放训练集、验证集的注解文件。
data/        存放数据集物品类别名称文件(一行一个类别名称),类别名称最好不要有空格、斜杠、反斜杠,不然后面计算mAP时会报错。
images/      用于测试的图片,放在子目录test/下。预测输出在子目录res/下。
mAP/         对模型评估时产生的中间临时文件。
model/       存放yolov3算法后处理的脚本。
videos/      用于测试的视频,放在子目录test/下。

训练

使用train.py进行训练。train.py不支持命令行参数设置使用的数据集、超参数。 而是通过修改train.py源代码来进行更换数据集、更改超参数(减少冗余代码)。 1.如果你要使用自己的数据集训练,那么请修改

train_path = 'annotation/coco2017_train.txt'
val_path = 'annotation/coco2017_val.txt'
classes_path = 'data/coco_classes.txt'

注解文件的格式如下:

xxx/xxx.jpg 18.19,6.32,424.13,421.83,20 323.86,2.65,640.0,421.94,20 
xxx/xxx.jpg 48,240,195,371,11 8,12,352,498,14
# image_path x_min, y_min, x_max, y_max, class_id  x_min, y_min ,..., class_id 
# make sure that x_max < width and y_max < height

和YunYang1994的注解文件格式是完全一样的,这里再次致敬大佬!

2.本仓库有pattern=0、pattern=1、pattern=2这3种训练模式。 0-从头训练,1-读取模型继续训练(包括解冻),2-读取coco预训练模型训练 你只需要修改pattern的值即可指定训练模式。 然后在这3种模式的if-else分支下,你再指定批大小batch_size、学习率lr等超参数。

3.如果你决定从头训练一个模型(即pattern=0),而且你的显卡显存比较小,比如说只有6G。 又或者说你想训练一个小模型,因为你的数据集比较小。 那么你可以设置initial_filters为一个比较小的值,比如说8。 initial_filters会影响到后面的卷积层的卷积核个数(除了最后面3个卷积层的卷积核个数不受影响)。 yolov3的initial_filters默认是32,你调小initial_filters会使得模型变小,运算量减少,适合在小数据集上训练。

评估

训练完成后,运行eval.py对pytorch模型评估,跑完这个脚本后需要再跑mAP/main.py进行mAP的计算。

预测

运行demo.py。

传送门

cv算法交流q群:645796480 但是关于仓库的疑问尽量在Issues上提,避免重复解答。

广告位招租

可联系微信wer186259

About

Pytorch复现YOLOv3,使用最新的DIOU loss训练

Resources

Stars

Watchers

Forks

Packages

No packages published

Languages