image

2023-04-26 04:15| 来源: 网络整理| 查看: 265

YOLOv3 SPP 该项目源自ultralytics/yolov3 1 环境配置： Python3.6或者3.7 Pytorch1.7.1(注意：必须是1.6.0或以上，因为使用官方提供的混合精度训练1.6.0后才支持) pycocotools(Linux: pip install pycocotools; Windows: pip install pycocotools-windows(不需要额外安装vs)) 更多环境配置信息，请查看requirements.txt文件最好使用GPU训练 2 文件结构： ├── cfg: 配置文件目录 │ ├── hyp.yaml: 训练网络的相关超参数 │ └── yolov3-spp.cfg: yolov3-spp网络结构配置 │ ├── data: 存储训练时数据集相关信息缓存 │ └── pascal_voc_classes.json: pascal voc数据集标签 │ ├── runs: 保存训练过程中生成的所有tensorboard相关文件 ├── build_utils: 搭建训练网络时使用到的工具 │ ├── datasets.py: 数据读取以及预处理方法 │ ├── img_utils.py: 部分图像处理方法 │ ├── layers.py: 实现的一些基础层结构 │ ├── parse_config.py: 解析yolov3-spp.cfg文件 │ ├── torch_utils.py: 使用pytorch实现的一些工具 │ └── utils.py: 训练网络过程中使用到的一些方法 │ ├── train_utils: 训练验证网络时使用到的工具(包括多GPU训练以及使用cocotools) ├── weights: 所有相关预训练权重(下面会给出百度云的下载地址) ├── model.py: 模型搭建文件 ├── train.py: 针对单GPU或者CPU的用户使用 ├── train_multi_GPU.py: 针对使用多GPU的用户使用 ├── trans_voc2yolo.py: 将voc数据集标注信息(.xml)转为yolo标注格式(.txt) ├── calculate_dataset.py: 1)统计训练集和验证集的数据并生成相应.txt文件 │ 2)创建data.data文件 │ 3)根据yolov3-spp.cfg结合数据集类别数创建my_yolov3.cfg文件 └── predict_test.py: 简易的预测脚本，使用训练好的权重进行预测测试 3 训练数据的准备以及目录结构这里建议标注数据时直接生成yolo格式的标签文件.txt，推荐使用免费开源的标注软件(支持yolo格式)，https://github.com/tzutalin/labelImg 如果之前已经标注成pascal voc的.xml格式了也没关系，我写了个voc转yolo格式的转化脚本，4.1会讲怎么使用测试图像时最好将图像缩放到32的倍数标注好的数据集请按照以下目录结构进行摆放: ├── my_yolo_dataset 自定义数据集根目录 │ ├── train 训练集目录 │ │ ├── images 训练集图像目录 │ │ └── labels 训练集标签目录 │ └── val 验证集目录 │ ├── images 验证集图像目录 │ └── labels 验证集标签目录 4 利用标注好的数据集生成一系列相关准备文件，为了方便我写了个脚本，通过脚本可直接生成。也可参考原作者的教程 ├── data 利用数据集生成的一系列相关准备文件目录 │ ├── my_train_data.txt: 该文件里存储的是所有训练图片的路径地址 │ ├── my_val_data.txt: 该文件里存储的是所有验证图片的路径地址 │ ├── my_data_label.names: 该文件里存储的是所有类别的名称，一个类别对应一行(这里会根据`.json`文件自动生成) │ └── my_data.data: 该文件里记录的是类别数类别信息、train以及valid对应的txt文件 4.1 将VOC标注数据转为YOLO标注数据(如果你的数据已经是YOLO格式了，可跳过该步骤) 使用trans_voc2yolo.py脚本进行转换，并在./data/文件夹下生成my_data_label.names标签文件，执行脚本前，需要根据自己的路径修改以下参数 # voc数据集根目录以及版本 voc_root = "./VOCdevkit" voc_version = "VOC2012" # 转换的训练集以及验证集对应txt文件，对应VOCdevkit/VOC2012/ImageSets/Main文件夹下的txt文件 train_txt = "train.txt" val_txt = "val.txt" # 转换后的文件保存目录 save_file_root = "/home/wz/my_project/my_yolo_dataset" # label标签对应json文件 label_json_path = './data/pascal_voc_classes.json' 生成的my_data_label.names标签文件格式如下 aeroplane bicycle bird boat bottle bus ... 4.2 根据摆放好的数据集信息生成一系列相关准备文件使用calculate_dataset.py脚本生成my_train_data.txt文件、my_val_data.txt文件以及my_data.data文件，并生成新的my_yolov3.cfg文件执行脚本前，需要根据自己的路径修改以下参数 # 训练集的labels目录路径 train_annotation_dir = "/home/wz/my_project/my_yolo_dataset/train/labels" # 验证集的labels目录路径 val_annotation_dir = "/home/wz/my_project/my_yolo_dataset/val/labels" # 上一步生成的my_data_label.names文件路径(如果没有该文件，可以自己手动编辑一个txt文档，然后重命名为.names格式即可) classes_label = "./data/my_data_label.names" # 原始yolov3-spp.cfg网络结构配置文件 cfg_path = "./cfg/yolov3-spp.cfg" 5 预训练权重下载地址（下载后放入weights文件夹中）： yolov3-spp-ultralytics-416.pt: 链接: https://pan.baidu.com/s/1cK3USHKxDx-d5dONij52lA 密码: r3vm yolov3-spp-ultralytics-512.pt: 链接: https://pan.baidu.com/s/1k5yeTZZNv8Xqf0uBXnUK-g 密码: e3k1 yolov3-spp-ultralytics-608.pt: 链接: https://pan.baidu.com/s/1GI8BA0wxeWMC0cjrC01G7Q 密码: ma3t yolov3spp-voc-512.pt (这是我在视频演示训练中得到的权重): 链接: https://pan.baidu.com/s/1aFAtaHlge0ieFtQ9nhmj3w 密码: 8ph3 6 数据集，本例程使用的是PASCAL VOC2012数据集 Pascal VOC2012 train/val数据集下载地址：http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar 如果不了解数据集或者想使用自己的数据集进行训练，请参考我的bilibili：https://b23.tv/F1kSCK 7 使用方法确保提前准备好数据集确保提前下载好对应预训练模型权重若要使用单GPU训练或者使用CPU训练，直接使用train.py训练脚本若要使用多GPU训练，使用python -m torch.distributed.launch --nproc_per_node=8 --use_env train_multi_GPU.py指令,nproc_per_node参数为使用GPU数量训练过程中保存的results.txt是每个epoch在验证集上的COCO指标，前12个值是COCO指标，后面两个值是训练平均损失以及学习率如果对YOLOv3 SPP网络原理不是很理解可参考我的bilibili

https://www.bilibili.com/video/BV1yi4y1g7ro?p=3

进一步了解该项目，以及对YOLOv3 SPP代码的分析可参考我的bilibili

https://www.bilibili.com/video/BV1t54y1C7ra

YOLOv3 SPP框架图

【本文地址】

公司简介

联系我们

今日新闻

推荐新闻

专题文章