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。

1. 性能情况 Performance
2. 所需环境 Environment
3. 文件下载 Download
4. 预测步骤 How2predict
5. 训练步骤 How2train
6. 评估步骤 How2eval
7. 参考资料 Reference

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

1. 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

2. 利用video.py可进行摄像头检测。

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、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
}

3. 运行predict.py，输入

img/street.jpg

4. 利用video.py可进行摄像头检测。

1. 本文使用VOC格式进行训练。
2. 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
3. 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
4. 在训练前利用voc2yolo4.py文件生成对应的txt。
5. 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"]

6. 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。
7. 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
...

8. 修改utils/config.py里面的classes，使其为要检测的类的个数。
9. 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。

1. 本文使用VOC格式进行评估。
2. 评估前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
3. 评估前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
4. 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。
5. 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。
6. 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。
7. 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