YOLO v4框架采用C语言作为底层代码。

近日，有研究者在 GitHub 上开源了一个项目：基于 PyTorch 深度学习框架的 YOLOv4 复现版本，该版本基于 YOLOv4 作者给出的实现 AlexeyAB/darknet，并在 PASCAL VOC、COCO 和自定义数据集上运行。

项目介绍

项目地址: https://github.com/argusswift/YOLOv4-PyTorc

除此以外，该项目还向主干网络添加了一些有用的注意力方法，并实现了 mobilenetv2-YOLOV4 和 mobilenetv3-YOLOV4。

  • attention YOLOv4

yolo pytorch关系 yolov4 pytorch_深度学习

  • mobilenet YOLOv4

该研究还实现了 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 的性能结果：

yolo pytorch关系 yolov4 pytorch_python_02

项目的详细内容和要求

环境要求
  • Nvida GeForce RTX 2080TI
  • CUDA10.0
  • CUDNN7.0
  • windows 或 linux 系统
  • 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
安装依赖性

运行脚本安装依赖项。你需要提供 conda 安装路径（例如 ~/anaconda3）以及所创建 conda 环境的名称（此处为 YOLOv4-PyTorch）。

pip3 install -r requirements.txt --user

需要注意的是：安装脚本已在 Ubuntu 18.04 和 Window 10 系统上进行过测试。如果出现问题，请查看详细的安装说明：https://github.com/argusswift/YOLOv4-PyTorch/blob/master/INSTALL.md.

准备工作
  1. git 复制 YOLOv4 库
# 复制 YOLOv4
git clone github.com/argusswift/YOLOv4-PyTorch.git

然后更新配置文件 “config/yolov4_config.py” 中 “PROJECT_PATH” 。

  1. 数据集准备
    该项目准备了 Pascal VOC 和 MSCOCO 2017 数据集。其中 ，
    1）PascalVOC 数据集包括
  • VOC 2012_trainval、
  • VOC 2007_trainval 和
  • VOC2007_test，
    2）MSCOCO 2017 数据集包括
  • train2017_img、
  • train2017_ann、
  • val2017_img、
  • val2017_ann、
  • test2017_img、
  • test2017_list。

PascalVOC 数据集下载命令

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

MSCOCO 2017 数据集下载命令：

#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

在数据集下载好后，需要进行以下操作：

1）. 将数据集放入目录，更新 config/yolov4_config.py 中的 DATA_PATH 参数。
（对于 COCO 数据集）使用 coco_to_voc.py 将 COCO 数据类型转换为 VOC 数据类型。
2）. 转换数据格式：使用 utils/voc.py 或 utils/coco.py 将 pascal voc *.xml 格式（或 COCO *.json 格式）转换为 *.txt 格式（Image_path xmin0,ymin0,xmax0,ymax0,class0 xmin1,ymin1,xmax1,ymax1,class1 …）。

  1. 下载权重文件

1）darknet 预训练权重：
yolov4

（https://drive.google.com/file/d/1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT/view）。
2）Mobilenet 预训练权重：
mobilenetv2：

（https://pan.baidu.com/share/init?surl=sjixK2L9L0YgQnvfDuVTJQ，提取码：args）；
mobilenetv3：

（https://pan.baidu.com/share/init?surl=75wKejULuM0ZD05b9iSftg，提取码：args）。
3）在根目录下创建 weight 文件夹，将下载好的权重文件放到 weight / 目录下。
4）训练时在 config/yolov4_config.py 中设置 MODEL_TYPE。

  1. 转换成自定义数据集（基于自定义数据集进行训练）
    1）将自定义数据集的图片放入 JPEGImages 文件夹，将注释文件放入 Annotations 文件夹。
    2）使用 xml_to_txt.py 文件将训练和测试文件列表写入 ImageSets/Main/*.txt。
    3）转换数据格式：使用 utils/voc.py 或 utils/coco.py 将 pascal voc *.xml 格式（或 COCO *.json 格式）转换为 *.txt 格式（Image_path xmin0,ymin0,xmax0,ymax0,class0 xmin1,ymin1,xmax1,ymax1,class1 …）。
训练

运行以下命令开始训练，详情参见 config / yolov4_config.py。训练时应将 DATA_TYPE 设置为 VOC 或 COCO。

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

它还支持 resume 训练，添加 --resume，使用以下命令即可自动加载 last.pt。

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

修改检测图像路径：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 det
for COCO dataset:
CUDA_VISIBLE_DEVICES=0 python3 eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode det

yolo pytorch关系 yolov4 pytorch_数据集_03

评估
  • 评估 VOC
    修改评估数据集路径：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 -

yolo pytorch关系 yolov4 pytorch_yolo pytorch关系_04

  • 评估COCO
    修改评估数据集路径：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=bbox
Running 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
可视化热图

在 val_voc.py 中设置 showatt=Ture，网络即可输出热图。

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

在output/ 中可以查看热图

yolo pytorch关系 yolov4 pytorch_数据集_05

完结。