Awesome

train.py            训练yolov3，用的是ciou loss。
2_pytorch2keras.py  将pytorch模型导出为keras模型。给兄弟仓库兄弟版：https://github.com/miemie2013/Keras-DIOU-YOLOv3使用。
demo.py             用pytorch模型进行预测。对视频进行预测的话需要解除注释。
eval.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。

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-读取模型继续训练（包括解冻），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，运行eval.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.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