欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

手把手教物体检测——YOLOV4(pytorch)

程序员文章站 2022-09-16 20:38:42
摘要 YOLOV4在coco上面达到了43.5%AP ,在Tesla V100 上达到了65FPS。相比今年的其它模型,得分不算高,但是它不是通过提高输入图像的分辨率来提高得分的,而是改进网络结构。创新点主要有一下几个方面:(1)输入端:这里指的创新主要是训练时对输入端的改进,主要包括Mosaic数据增强、cmBN、SAT自对抗训练。(2)BackBone主干网络:将各种新的方式结合起来,包括:CSPDarknet53、Mish激活函数、Dropblock(3)Neck:目标检测网络......

摘要

     YOLOV4在coco上面达到了43.5%AP ,在Tesla V100 上达到了65FPS。相比今年的其它模型,得分不算高,但是它不是通过提高输入图像的分辨率来提高得分的,而是改进网络结构。创新点主要有一下几个方面:

(1)输入端:这里指的创新主要是训练时对输入端的改进,主要包括Mosaic数据增强、cmBN、SAT自对抗训练。

(2)BackBone主干网络:将各种新的方式结合起来,包括:CSPDarknet53、Mish激活函数、Dropblock

(3)Neck:目标检测网络在BackBone和最后的输出层之间往往会插入一些层,比如Yolov4中的SPP模块、FPN+PAN结构

(4)Prediction:输出层的锚框机制和Yolov3相同,主要改进的是训练时的损失函数CIOU_Loss,以及预测框筛选的nms变为DIOU_nms

训练

  本地环境:

   Ubuntu20.04

   pytorch1.5.1

   CUDA10.1

   Python3.7

下载代码

本文使用的代码是:https://github.com/Tianxiaomo/pytorch-Yolov4

训练和测试推理代码都已经完成。

下载权重文件

yolov4.conv.137.pth

链接一:https://pan.baidu.com/s/1ovBie4YyVQQoUrC3AY0joA 提取码:kcel

链接二:

https://drive.google.com/open?id=1fcbR0bWzYfIEdLJPzOsn4R5mlvR6IQyA

将下载的权重文件放到data文件夹下面

手把手教物体检测——YOLOV4(pytorch)

 

制作数据集

将Labelme数据集复制到pytorch-YOLOv4-master文件夹下面,如图:

手把手教物体检测——YOLOV4(pytorch)

然后用pycharm新建labelme2txt.py文件。写入生成训练集和验证集的代码。

手把手教物体检测——YOLOV4(pytorch)

labelme2txt.py代码:

from os import getcwd
from sklearn.model_selection import train_test_split
import json
import glob
wd
= getcwd()
"labelme标注的json 数据集转为pytorch版yolov4的训练集"
classes = ["aircraft","oiltank"]

image_ids = glob.glob(r"LabelmeData/*jpg")
print(image_ids)
train_list_file = open('data/train.txt', 'w')
val_list_file = open('data/val.txt', 'w')
def convert_annotation(image_id, list_file):
   
jsonfile=open('%s.json' % (image_id))
   
in_file = json.load(jsonfile)

   
for i in range(0,len(in_file["shapes"])):
       
object=in_file["shapes"][i]
       
cls=object["label"]
       
points=object["points"]
       
xmin=int(points[0][0])
       
ymin=int(points[0][1])
       
xmax=int(points[1][0])
       
ymax=int(points[1][1])
       
if cls not in classes:
           
print("cls not in classes")
           
continue
       
cls_id = classes.index(cls)
       
b = (xmin, ymin, xmax, ymax)
       
list_file.write(" " + ",".join([str(a) for a in b]) + ',' + str(cls_id))
   
jsonfile.close()

def ChangeData2TXT(image_List,dataFile):
    for
image_id in image_List:
       
dataFile.write('%s' % (image_id.split('\\')[-1]))
       
convert_annotation(image_id.split('.')[0], dataFile)
       
dataFile.write('\n')
   
dataFile.close()
trainval_files, test_files = train_test_split(image_ids, test_size=0.2, random_state=55)
ChangeData2TXT(trainval_files,train_list_file)
ChangeData2TXT(test_files,val_list_file)


安装运行需要的包

参照requirements.txt安装本机没有的包,版本不一定要保持一致,只要后期不报错就没有事。

修改类别

将coco.names和voc.names里面的类别修改为自己数据集的类别(默认是coco.names,都改了肯定没有错。),顺序和labelme2txt.py中的classes顺序保持一致。

修改配置文件cfg.py

Cfg.use_darknet_cfg = False

Cfg.batch = 2(根据自己的显卡修改,我的显卡是8G的最多可以训练里2个batch)。

Cfg.subdivisions = 1

修改models.py

将51行和53行的inplace=True改为inplace=False。如果不修改,训练的时候会报个错误。

修改train.py文件

找到526行,这个方法的参数是对cfg.py里面参数的更新。

主要修改的参数如下:

parser.add_argument('-g', '--gpu', metavar='G', type=str, default='0',
                   
help='GPU', dest='gpu')#设置GPU使用的GPU

parser.add_argument('-dir', '--data-dir', type=str, default="LabelmeData",
                   
help='dataset dir', dest='dataset_dir')#图片所在的文件夹。

                  parser.add_argument('-pretrained', type=str, default="data/yolov4.conv.137.pth", help='pretrained yolov4.conv.137')#设置预训练权重文件的路径。

                  parser.add_argument('-classes', type=int, default=80, help='dataset classes')#物体类别数。

parser.add_argument('-train_label_path', dest='train_label', type=str, default='data/train.txt', help="train label path")#训练集存放的路径。

注释415行到440行的代码,这段代码在验证的时候一直报错,我找不到原因。后续找到原因再更新。

手把手教物体检测——YOLOV4(pytorch)

 将以上的内容修改完成后就可以点击run开始训练了。

 

参考文章:

深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解

https://blog.csdn.net/nan355655600/article/details/106246625?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase

本文地址:https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/107521737