2021年2月8日更新:
加入letterbox_image的选项,关闭letterbox_image后网络的map得到大幅度提升。
- 性能情况 Performance
- 所需环境 Environment
- 文件下载 Download
- 预测步骤 How2predict
- 训练步骤 How2train
- 评估步骤 How2eval
- 参考资料 Reference
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 | efficientnet-b2-voc.pth | VOC-Test07 | 416x416 | - | 78.9 |
torch == 1.2.0
训练所需的efficientnet-b2-yolov3的权重可以在百度云下载。
链接: https://pan.baidu.com/s/1UjhZUjawmZ-7_OSWPGnwmw
提取码: hiuq
其它版本的efficientnet的权重可以将YoloBody(Config, phi=phi, load_weights=False)的load_weights参数设置成True,从而获得。
VOC数据集下载地址如下:
VOC2007 2012训练集
链接: https://pan.baidu.com/s/16pemiBGd-P9q2j7dZKGDFA 提取码: eiw9
VOC2007测试集
链接: https://pan.baidu.com/s/1BnMiFwlNwIWG9gsd4jHLig 提取码: dsda
- 下载完库后解压,在百度网盘下载efficientnet-b2-voc.pth,放入model_data,运行predict.py,输入
img/street.jpg
- 利用video.py可进行摄像头检测。
- 按照训练步骤训练。
- 在yolo.py文件里面,在如下部分修改model_path、classes_path和phi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,phi指的是所用的efficientnet的版本。
_defaults = {
#--------------------------------------------#
# 使用自己训练好的模型预测需要修改3个参数
# phi、model_path和classes_path都需要修改!
#--------------------------------------------#
"model_path" : 'model_data/efficientnet-b2-voc.pth',
"classes_path" : 'model_data/voc_classes.txt',
"model_image_size" : (416, 416, 3),
"confidence" : 0.3,
"phi" : 2,
"cuda" : True
}
- 运行predict.py,输入
img/street.jpg
- 利用video.py可进行摄像头检测。
- 本文使用VOC格式进行训练。
- 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。
- 在训练前利用voc2yolo4.py文件生成对应的txt。
- 再运行根目录下的voc_annotation.py,运行前需要将classes改成你自己的classes。注意不要使用中文标签,文件夹中不要有空格!
classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
- 此时会生成对应的2007_train.txt,每一行对应其图片位置及其真实框的位置。
- 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,示例如下:
model_data/new_classes.txt文件内容为:
cat
dog
...
- 修改utils/config.py里面的classes,使其为要检测的类的个数。
- 运行train.py即可开始训练。
评估过程可参考视频https://www.bilibili.com/video/BV1zE411u7Vw
步骤是一样的,不需要自己再建立get_dr_txt.py、get_gt_txt.py等文件。
- 本文使用VOC格式进行评估。
- 评估前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
- 评估前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
- 在评估前利用voc2yolo3.py文件生成对应的txt,评估用的txt为VOCdevkit/VOC2007/ImageSets/Main/test.txt,需要注意的是,如果整个VOC2007里面的数据集都是用于评估,那么直接将trainval_percent设置成0即可。
- 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。
- 运行get_dr_txt.py和get_gt_txt.py,在./input/detection-results和./input/ground-truth文件夹下生成对应的txt。
- 运行get_map.py即可开始计算模型的mAP。
更新了get_gt_txt.py、get_dr_txt.py和get_map.py文件。
get_map文件克隆自https://github.com/Cartucho/mAP
具体mAP计算过程可参考:https://www.bilibili.com/video/BV1zE411u7Vw
https://github.com/qqwweee/keras-yolo3
https://github.com/eriklindernoren/PyTorch-YOLOv3
https://github.com/BobLiu20/YOLOv3_PyTorch