天天添天天爽,美国风流航班成人版,免费在线性爱视频,美日韩中文字幕,波多野结衣福利视频,最新狼友网址,天天躁日日躁狠狠躁免费麻豆,澳门久久

轉(zhuǎn)載自 | 計(jì)算機(jī)視覺研究院

編者薦語

距離YOLOV4的推出，已經(jīng)過去5個(gè)多月。YOLO 框架采用C語言作為底層代碼，這對(duì)于慣用Python的研究者來說，實(shí)在是有點(diǎn)不友好。因此網(wǎng)上出現(xiàn)了很多基于各種深度學(xué)習(xí)框架的YOLO復(fù)現(xiàn)版本。近日，就有研究者在GitHub上更新了基于PyTorch的YOLOv4。

從今年4月YOLOv4發(fā)布后，對(duì)于這個(gè)目標(biāo)檢測(cè)框架，問的最多的問題或許就是：「有沒有同學(xué)復(fù)現(xiàn)YOLOv4的，可以交流一下么」。由于原版YOLO使用C語言進(jìn)行編程，光憑這一點(diǎn)就讓不少同學(xué)望而卻步。網(wǎng)上有很多基于TF/Keras和Caffe等的復(fù)現(xiàn)版本，但不少項(xiàng)目只給了代碼，并沒有給出模型在COCO、PASCAL VOC數(shù)據(jù)集上的訓(xùn)練結(jié)果。

近日，有研究者在GitHub 上開源了一個(gè)項(xiàng)目：基于PyTorch深度學(xué)習(xí)框架的YOLOv4復(fù)現(xiàn)版本，該版本基于YOLOv4作者給出的實(shí)現(xiàn)AlexeyAB/darknet，并在PASCAL VOC、COCO和自定義數(shù)據(jù)集上運(yùn)行。

項(xiàng)目地址：https://github.com/argusswift/YOLOv4-PyTorch

除此以外，該項(xiàng)目還向主干網(wǎng)絡(luò)添加了一些有用的注意力方法，并實(shí)現(xiàn)了mobilenetv2-YOLOV4和mobilenetv3-YOLOV4。

Attentive YOLOv4

該項(xiàng)目向主干網(wǎng)絡(luò)添加了一些注意力方法，如 SEnet、CBAM。

SEnet (CVPR 2017)

CBAM (CVPR 2018)

Mobilenet YOLOv4

該研究還實(shí)現(xiàn)了Mobilenetv2-YOLOV4 和Mobilenetv3-YOLOV4（只需更改config/yolov4_config.py中的MODEL_TYPE即可）。

下表展示了Mobilenetv2-YOLOV4的性能結(jié)果：

現(xiàn)在我們來看該項(xiàng)目的詳細(xì)內(nèi)容和要求。

環(huán)境要求

Nvida GeForce RTX 2080TI
CUDA10.0
CUDNN7.0
windows 或 linux 系統(tǒng)
python 3.6

特性

DO-Conv (https://arxiv.org/abs/2006.12030) (torch>=1.2)
Attention
fp_16 training
Mish
Custom data
Data Augment (RandomHorizontalFlip, RandomCrop, RandomAffine, Resize)
Multi-scale Training (320 to 640)
focal loss
CIOU
Label smooth
Mixup
cosine lr

安裝依賴項(xiàng)

運(yùn)行腳本安裝依賴項(xiàng)。你需要提供conda安裝路徑（例如~/anaconda3）以及所創(chuàng)建conda環(huán)境的名稱（此處為YOLOv4-PyTorch）。

需要注意的是：安裝腳本已在 Ubuntu 18.04 和 Window 10 系統(tǒng)上進(jìn)行過測(cè)試。如果出現(xiàn)問題，請(qǐng)查看詳細(xì)的安裝說明：

https://github.com/argusswift/YOLOv4-PyTorch/blob/master/INSTALL.md。

準(zhǔn)備工作

1. git 復(fù)制 YOLOv4 庫

準(zhǔn)備工作的第一步是復(fù)制YOLOv4。

git clone github.com/argusswift/YOLOv4-PyTorch.git

然后更新配置文件「config/yolov4_config.py」中「PROJECT_PATH」。

2. 數(shù)據(jù)集準(zhǔn)備

該項(xiàng)目準(zhǔn)備了Pascal VOC和MSCOCO 2017數(shù)據(jù)集。其中PascalVOC 數(shù)據(jù)集包括VOC 2012_trainval、VOC 2007_trainval和VOC2007_test，MSCOCO 2017數(shù)據(jù)集包括train2017_img、train2017_ann、val2017_img、val2017_ann、test2017_img、test2017_list。

PascalVOC數(shù)據(jù)集下載命令：

# Download the data.cd $HOME/datawget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tarwget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tarwget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar# Extract the data.tar -xvf VOCtrainval_11-May-2012.tartar -xvf VOCtrainval_06-Nov-2007.tartar -xvf VOCtest_06-Nov-2007.tar

MSCOCO 2017 數(shù)據(jù)集下載命令：

#step1: download the following data and annotation   2017 Train images [118K/18GB]   2017 Val images [5K/1GB]   2017 Test images [41K/6GB]   2017 Train/Val annotations [241MB]   #step2: arrange the data to the following structure   COCO   ---train   ---test   ---val   ---annotations

在數(shù)據(jù)集下載好后，需要進(jìn)行以下操作：

將數(shù)據(jù)集放入目錄，更新config/yolov4_config.py中的DATA_PATH參數(shù)。
（對(duì)于COCO數(shù)據(jù)集）使用coco_to_voc.py將COCO數(shù)據(jù)類型轉(zhuǎn)換為VOC數(shù)據(jù)類型。
轉(zhuǎn)換數(shù)據(jù)格式：使用utils/voc.py或utils/coco.py將 ]pascal voc*.xml格式（或COCO*.json格式）轉(zhuǎn)換為*.txt格式（Image_path xmin0,ymin0,xmax0,ymax0,class0 xmin1,ymin1,xmax1,ymax1,class1 ...）。

3. 下載權(quán)重文件

1）darknet 預(yù)訓(xùn)練權(quán)重：yolov4

https://drive.google.com/file/d/1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT/view

2）Mobilenet 預(yù)訓(xùn)練權(quán)重：

mobilenetv2：

https://pan.baidu.com/share/init?surl=sjixK2L9L0YgQnvfDuVTJQ

提取碼：args；

mobilenetv3：

https://pan.baidu.com/share/init?surl=75wKejULuM0ZD05b9iSftg

提取碼：args。

3）在根目錄下創(chuàng)建weight文件夾，將下載好的權(quán)重文件放到weight/目錄下。

4）訓(xùn)練時(shí)在config/yolov4_config.py中設(shè)置MODEL_TYPE。

4. 轉(zhuǎn)換成自定義數(shù)據(jù)集（基于自定義數(shù)據(jù)集進(jìn)行訓(xùn)練）

1）將自定義數(shù)據(jù)集的圖片放入JPEGImages文件夾，將注釋文件放入Annotations文件夾。

2）使用xml_to_txt.py文件將訓(xùn)練和測(cè)試文件列表寫入ImageSets/Main/*.txt。

3）轉(zhuǎn)換數(shù)據(jù)格式：使用utils/voc.py或utils/coco.py將pascal voc*.xml格式（或COCO*.json格式）轉(zhuǎn)換為*.txt格式（Image_path xmin0,ymin0,xmax0,ymax0,class0 xmin1,ymin1,xmax1,ymax1,class1 ...）。

訓(xùn)練

運(yùn)行以下命令開始訓(xùn)練，詳情參見config / yolov4_config.py。訓(xùn)練時(shí)應(yīng)將DATA_TYPE設(shè)置為VOC或COCO。

CUDA_VISIBLE_DEVICES=0 nohup python -u train.py  --weight_path weight/yolov4.weights --gpu_id 0 > nohup.log 2>&1 &

它還支持resume訓(xùn)練，添加--resume，使用以下命令即可自動(dòng)加載last.pt。

CUDA_VISIBLE_DEVICES=0 nohup python -u train.py  --weight_path weight/last.pt --gpu_id 0 > nohup.log 2>&1 &

檢測(cè)

修改檢測(cè)圖像路徑：DATA_TEST=/path/to/your/test_data# your own images。

for VOC dataset:CUDA_VISIBLE_DEVICES=0 python3 eval_voc.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode detfor COCO dataset:CUDA_VISIBLE_DEVICES=0 python3 eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode det

結(jié)果可以在output/中查看，如下所示：

評(píng)估（Pascal VOC 數(shù)據(jù)集）

修改評(píng)估數(shù)據(jù)集路徑：DATA_PATH=/path/to/your/test_data # your own images

for VOC dataset:CUDA_VISIBLE_DEVICES=0 python3 eval_voc.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval -

評(píng)估（COCO 數(shù)據(jù)集）

修改評(píng)估數(shù)據(jù)集路徑：DATA_PATH=/path/to/your/test_data # your own images

CUDA_VISIBLE_DEVICES=0 python3 eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode val
type=bboxRunning per image evaluation...      DONE (t=0.34s).Accumulating evaluation results...   DONE (t=0.08s). Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.438  Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.607  Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.469  Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.253  Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.486  Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.567  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.342  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.571  Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.632  Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.458  Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.691  Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.790

可視化熱圖

在 val_voc.py 中設(shè)置 showatt=Ture，網(wǎng)絡(luò)即可輸出熱圖。

for VOC dataset:CUDA_VISIBLE_DEVICES=0 python3 eval_voc.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --evalfor COCO dataset:CUDA_VISIBLE_DEVICES=0 python3 eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval

在 output / 中可以查看熱圖，如下所示：

?------------------------------------------------

雙一流高校研究生團(tuán)隊(duì)創(chuàng)建 ↓

專注于計(jì)算機(jī)視覺原創(chuàng)并分享相關(guān)知識(shí) ?

聞道有先后，術(shù)業(yè)有專攻，如是而已 ╮(╯_╰)╭

PyTorch版YOLOv4更新了，不僅適用于自定義數(shù)據(jù)集，還集成了注意力和MobileNet