1 PyTorch版YOLOv3 代码中文注释 之 训练 train.py test.py detect.py

PyTorch版YOLOv3 代码中文注释

1. 相关链接：

1. GitHub的pytorch版YOLOv3 链接：https://github.com/eriklindernoren/PyTorch-YOLOv3
2. YOLOv3 论文作者的github链接：https://github.com/pjreddie/darknet

2. 代码结构：

文件或文件夹	文件或文件夹作用	翻译
assets	与 yolov3 无关，存放 github 的写 readme 时需要的图片	n. 资产
config	存放 YOLOv3 的 数据信息和网络结构的配置文件	配置
data	存放数据、训练使用的图片，label ；测试使用的图片，label.	数据
utils	存放一些 py 脚本文件:数据aug, 命令解析，日志记录，对原始图片的 pad 和 resize 操作	n. 跑龙套
weights	存放训练好的的权重；运行download_weights.sh 脚本可以将预训练好的权重下载到本文件夹。	权重
.gitignore	与 yolov3 无关。git commit 时，忽略部分文件，只将重要的文件上传至github。	vt. 驳回诉讼，忽视，不理睬
LICENSE	与 yolov3 无关。新建一个github 工程时，可以自动生成这个文件。	vt. 批准, 许可, 颁发执照
README.md	与 yolov3 代码无关。一个markdown 文件，和前面的 assent 文件夹中的图片配合使用，用来对当前 github 仓库进行说明。
detect.py	检测图片（使用yolov3）的代码：执行该文件时，计算机加载模型、权重、输入图片，输出检测结果。	检测
models.py	模型代码：包含生成整个YOLOv3 模型的函数，和保存训练模型时权重的函数	模型
requirements.txt	该 YOLOv3 正常运行时，需要安装的相关库
test.py	测试（评估）代码：输入当前的 准确率，召回率，AP，等指标	测试
train.py	训练代码：训练模型	训练

3. train.py

3.1. train.py 中包含的主要功能

1. 构建网络结构的模型 model
2. 加载预训练好的权重，或之前训练了一半的权重
3. 遍历训练数据集，进行训练。在每一个 batch 之后计算相应的指标metric（“grid_size”, “loss”,“x”, “y”,“w”,“h”, “conf”, “cls”, “cls_acc”,“recall50”,“recall75”,“precision”,“conf_obj”,“conf_noobj”,），并 print 出来。每 2个 batch 之后更新一次权重
4. 每个 epoch 之后要在测试数据集上进行evaluation 评估（precision, recall, AP, f1, ap_class）
5. 训练过程的截图如下：
   

4. test.py

4.1. test.py 的主要内容

1. 找到评估模型时使用的数据（路径）:valid_path
2. 加载模型:model = Darknet(opt.model_def).to(device)
3. 加载需要评估的权重:model.load_state_dict(torch.load(opt.weights_path))
4. 运行评估函数，计算出评评估指标（precision, recall, AP, f1, ap_class）
5. pirnt 计算的指标

5. detect.py

5.1. detect.py 的主要内容

1. 加载模型
2. 加载权重
3. 构造好需要检测的数据集
4. 数据输入模型，输出检结果，之后非极大抑制
5. 将检测结果绘制在原始图片上，并保持绘制好的图片