Awesome
Keras-DIOU-YOLOv3
<p align="center"> <img width="100%" src="https://github.com/miemie2013/Keras-DIOU-YOLOv3/blob/master/weixin/diou.png" style="max-width:100%;"> </a> </p> <p align="center"> <img width="100%" src="https://github.com/miemie2013/Keras-DIOU-YOLOv3/blob/master/weixin/duibi.png" style="max-width:100%;"> </a> </p>传送门
Keras版YOLOv3: https://github.com/miemie2013/Keras-DIOU-YOLOv3
Pytorch版YOLOv3:https://github.com/miemie2013/Pytorch-DIOU-YOLOv3
PaddlePaddle版YOLOv3:https://github.com/miemie2013/Paddle-DIOU-YOLOv3
PaddlePaddle完美复刻版版yolact: https://github.com/miemie2013/PaddlePaddle_yolact
yolov3魔改成yolact: https://github.com/miemie2013/yolact
Keras版YOLOv4: https://github.com/miemie2013/Keras-YOLOv4
Pytorch版YOLOv4: 制作中
更新日记
2020/01/11:增加注释,补充focal_loss。
2019/12/31:增加填充黑边数据增强,以加强训练小目标检测。不久的将来可能会加入BiFPN、ASFF等(有空就加入)。祝大家新年快乐!
需要补充
BiFPN、ASFF、DCN
概述
Keras上700行代码复现YOLOv3!使用DIOU loss。支持将模型导出为pytorch模型!
请查看
diou_loss的论文
参考了3个仓库:
https://github.com/YunYang1994/tensorflow-yolov3
https://github.com/xiaochus/YOLOv3
https://github.com/qqwweee/keras-yolo3
这个仓库有很大一部分照搬了YunYang1994的代码(label的填写以及损失函数部分),这里致敬大佬! 后处理部分参考了xiaochus的代码。 keras复杂损失层参考了qqwweee的代码。 导出为pytorch模型、实现diou+ciou、以及其它一些部分为自己原创。 YunYang1994的仓库训练出的模型很优秀,为了达到同等优秀的效果,所以损失函数部分照搬了大佬仓库里的代码,但是有点不同的地方是将giou_loss改成了ciou_loss。根据我自己的训练结果, 发现使用同等超参数的条件下,使用ciou_loss训练比使用giou_loss训练能达到更高mAP。
文件下载
两个在coco上的预训练模型(yolo_bgr_mAP_46.h5和yolo_bgr_mAP_47.pt),一个为keras版,一个为pytorch版本。在release处下载。
coco2017数据集下载:
http://images.cocodataset.org/zips/train2017.zip
http://images.cocodataset.org/annotations/annotations_trainval2017.zip
http://images.cocodataset.org/zips/val2017.zip
http://images.cocodataset.org/annotations/stuff_annotations_trainval2017.zip
http://images.cocodataset.org/zips/test2017.zip
http://images.cocodataset.org/annotations/image_info_test2017.zip
仓库文件介绍
train.py 训练yolov3,用的是ciou loss。
1_lambda2model.py 将训练模型中yolov3的所有部分提取出来。
2_keras2pytorch.py 将keras模型导出为pytorch模型。
demo_kr.py 用keras模型进行预测。对视频进行预测的话需要解除注释。
demo_pt.py 用pytorch模型进行预测。对视频进行预测的话需要解除注释。
evaluate_kr.py 对keras模型评估。跑完这个脚本后需要再跑mAP/main.py进行mAP的计算。
evaluate_pt.py 对pytorch模型评估。跑完这个脚本后需要再跑mAP/main.py进行mAP的计算。
annotation/ 存放训练集、验证集的注解文件。
data/ 存放数据集物品类别名称文件(一行一个类别名称),类别名称最好不要有空格、斜杠、反斜杠,不然后面计算mAP时会报错。
images/ 用于测试的图片,放在子目录test/下。预测输出在子目录res/下。
mAP/ 对模型评估时产生的中间临时文件。
model/ 存放yolov3算法后处理的脚本。
videos/ 用于测试的视频,放在子目录test/下。
xxxiou/ 里面有giou、diou、ciou的代码,将train.py中bbox_ciou(boxes1, boxes2)函数替换掉就实现了更换损失函数来训练。
训练
使用train.py进行训练。train.py不支持命令行参数设置使用的数据集、超参数。 而是通过修改train.py源代码来进行更换数据集、更改超参数(减少冗余代码)。 1.如果你要使用自己的数据集训练,那么请修改
train_path = 'annotation/coco2017_train.txt'
val_path = 'annotation/coco2017_val.txt'
classes_path = 'data/coco_classes.txt'
注解文件的格式如下:
xxx/xxx.jpg 18.19,6.32,424.13,421.83,20 323.86,2.65,640.0,421.94,20
xxx/xxx.jpg 48,240,195,371,11 8,12,352,498,14
# image_path x_min, y_min, x_max, y_max, class_id x_min, y_min ,..., class_id
# make sure that x_max < width and y_max < height
和YunYang1994的注解文件格式是完全一样的,这里再次致敬大佬!
2.本仓库有pattern=0、pattern=1、pattern=2这3种训练模式。 0-从头训练,1-读取model_body继续训练(包括解冻,但需要先运行1_lambda2model.py脚本取得model_body),2-读取coco预训练模型训练 你只需要修改pattern的值即可指定训练模式。 然后在这3种模式的if-else分支下,你再指定批大小batch_size、学习率lr等超参数。
3.如果你决定从头训练一个模型(即pattern=0),而且你的显卡显存比较小,比如说只有6G。 又或者说你想训练一个小模型,因为你的数据集比较小。 那么你可以设置initial_filters为一个比较小的值,比如说8。 initial_filters会影响到后面的卷积层的卷积核个数(除了最后面3个卷积层的卷积核个数不受影响)。 yolov3的initial_filters默认是32,你调小initial_filters会使得模型变小,运算量减少,适合在小数据集上训练。
评估
训练完成后,用1_lambda2model.py将训练模型中yolov3的所有部分提取出来。 如果你想把模型导出为pytorch模型,运行2_keras2pytorch.py脚本。 运行evaluate_kr.py对keras模型(1_lambda2model.py提取出来的模型)评估,跑完这个脚本后需要再跑mAP/main.py进行mAP的计算。 运行evaluate_pt.py对pytorch模型评估,跑完这个脚本后需要再跑mAP/main.py进行mAP的计算。
预测
运行demo_kr.py或者是demo_pt.py。
传送门
cv算法交流q群:645796480 但是关于仓库的疑问尽量在Issues上提,避免重复解答。
广告位招租
可联系微信wer186259