tiny识别不出 yolov4_GitHub - bubbliiiing/yolov4-tiny-pytorch: 这是一个YoloV4-tiny-pytorch的源码，可以用于训练自己的模型。...

YOLOV4-Tiny：You Only Look Once-Tiny目标检测模型在Keras当中的实现

目录

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+COCO

VOC-Test07

416x416

-

74.7

COCO-Train2017

COCO-Val2017

416x416

18.7

37.7

所需环境

torch==1.2.0

注意事项

代码中的yolov4_tiny_weights_coco.pth和yolov4_tiny_weights_voc.pth是基于416x416的图片训练的。

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yolov4_tiny_weights_coco.pth和yolov4_tiny_weights_voc.pth可在百度网盘中下载。

链接: https://pan.baidu.com/s/1xtVnJUwt97vqrzrLTsScOA 提取码: rv24

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yolov4_tiny_voc.pth，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_tiny_weights_coco.pth',

"anchors_path": 'model_data/yolo_anchors.txt',

"classes_path": 'model_data/coco_classes.txt,

"score" : 0.5,

"iou" : 0.3,

# 显存比较小可以使用416x416

# 显存比较大可以使用608x608

"model_image_size" : (416, 416)

}

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

Reference