YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在pytorch当中的实现

---

目录

1. 性能情况 Performance
2. 所需环境 Environment
3. 注意事项 Attention
4. 小技巧的设置 TricksSet
5. 文件下载 Download
6. 预测步骤 How2predict
7. 训练步骤 How2train
8. 参考资料 Reference

性能情况

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	yolov4_mobilenet_v1_map76.62.pth	VOC-Test07	416x416	-	76.62
VOC07+12	yolov4_mobilenet_v2_map76.93.pth	VOC-Test07	416x416	-	76.93
VOC07+12	yolov4_mobilenet_v3_map75.30.pth	VOC-Test07	416x416	-	75.30

所需环境

torch==1.2.0

注意事项

提供的三个权重分别是基于mobilenetv1、mobilenetv2、mobilenetv3主干网络训练而成的。使用的时候注意backbone和权重的对应。 训练前注意修改model_path和backbone使得二者对应。 预测前注意修改model_path和backbone使得二者对应。

小技巧的设置

在train.py文件下：
1、mosaic参数可用于控制是否实现Mosaic数据增强。
2、Cosine_scheduler可用于控制是否使用学习率余弦退火衰减。
3、label_smoothing可用于控制是否Label Smoothing平滑。

文件下载

训练所需的各个权值可在百度网盘中下载。
链接: https://pan.baidu.com/s/1LE3lBCoIeT2E7DY5tGtvKQ 提取码: fxsh
三个已经训练好的权重均为VOC数据集的权重。

预测步骤

1、使用预训练权重

a、下载完库后解压，在百度网盘下载权重，放入model_data，运行predict.py，输入

img/street.jpg

可完成预测。
b、利用video.py可进行摄像头检测。

2、使用自己训练的权重

a、按照训练步骤训练。
b、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。

_defaults = {
    "model_path"        : 'model_data/yolov4_mobilenet_v2_map76.93.pth',
    "anchors_path"      : 'model_data/yolo_anchors.txt',
    "classes_path"      : 'model_data/voc_classes.txt',
    "backbone"          : 'mobilenetv2',
    
    "model_image_size"  : (416, 416, 3),
    "confidence"        : 0.5,
    "iou"               : 0.3,
    "cuda"              : True
}

c、运行predict.py，输入

img/street.jpg

可完成预测。
d、利用video.py可进行摄像头检测。

训练步骤

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，在train.py中将classes_path指向该文件，示例如下：

classes_path = 'model_data/new_classes.txt'    

model_data/new_classes.txt文件内容为：

cat
dog
...

8、运行train.py即可开始训练。

mAP目标检测精度计算更新

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

Reference

https://github.com/qqwweee/keras-yolo3/
https://github.com/Cartucho/mAP
https://github.com/Ma-Dan/keras-yolo4