YOLOv4-pytorch（attentive YOLOv4）（Mobilenet-YOLOv4） 训练PASCAL VOC、COCO和自己的数据集

注：版权所有，转载请注明出处。

更新（Mobilenet-YOLOv4）

目前更新了mobilenet-yolov4的代码，MAP值和FPS相比于mobilenet-yolov3有较大提高。各位客官请移步到github上查看

最新

结合注意力模型（SEnet、CBAM）的YOLOv4模型。

环境

• Nvida GeForce RTX 2080TI
• CUDA10.0
• CUDNN7.0
• Windows and Linux
• Python 3.6

代码地址：YOLOv4

测试结果

• Pascal VOC2007测试集上结果:
  
• Pascal VOC2007 P-R曲线:
  

新特性

• Mish
• Data Augment (RandomHorizontalFlip, RandomCrop, RandomAffine, Resize)
• Custom data
• Step lr Schedule
• Multi-scale Training (320 to 640)
• focal loss
• GIOU
• Label smooth
• Mixup
• cosine lr
• Multi-scale Test and Flip

安装依赖库

pip install -r requirements.txt --user

下载数据集

• Pascal VOC数据集:
  VOC 2012_trainval 、VOC 2007_trainval、VOC2007_test
• COCO2017数据集 :
  train2017_img
  train2017_ann
  val2017_img
  val2017_ann
  test2017_img
  test2017_list

准备工作

1.将自己的数据集转换成pascal_voc和COCO数据集格式

PascalVOC

# 下载数据集
cd $HOME/data
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
# 解压
tar -xvf VOCtrainval_11-May-2012.tar
tar -xvf VOCtrainval_06-Nov-2007.tar
tar -xvf VOCtest_06-Nov-2007.tar

结构如下：
voc
├── trainval.txt
├── test.txt
├── label_list.txt (optional)
├── VOCdevkit/VOC2007
│ ├── Annotations
│ ├── 001789.xml
│ | …
│ ├── JPEGImages
│ ├── 001789.jpg
│ | …
│ ├── ImageSets
│ | …
├── VOCdevkit/VOC2012
│ ├── Annotations
│ ├── 2011_003876.xml
│ | …
│ ├── JPEGImages
│ ├── 2011_003876.jpg
│ | …
│ ├── ImageSets
│ | …
| …

• 下载链接:{VOC 2012_trainval 、VOC 2007_trainval、VOC2007_test}、

MSCOCO 2017

#step1: 下载数据集
2017 Train images [118K/18GB]
2017 Val images [5K/1GB]
2017 Test images [41K/6GB]
2017 Train/Val annotations [241MB]

#step2: 按照下面结构存放文件夹
coco
  ├── annotations
  │   ├── instances_train2014.json
  │   ├── instances_train2017.json
  │   ├── instances_val2014.json
  │   ├── instances_val2017.json
  │   |   ...
  ├── train2017
  │   ├── 000000000009.jpg
  │   ├── 000000580008.jpg
  │   |   ...
  ├── val2017
  │   ├── 000000000139.jpg
  │   ├── 000000000285.jpg
  │   |   ...
  |   ...
  ```

• 下载链接:{train2017_img
  、train2017_ann
  、val2017_img
  、val2017_ann
  、test2017_img
  、test2017_list
  }

2.更新config/yolov4_config.py中“DATA_PATH”参数(“VOC"或者"COCO”)

3.(对于COCO数据集)使用coco_to_voc.py将COCO数据类型转换为VOC数据类型。

4.使用utils/voc.py或utils/coco.py转换成pascal voc *.xml格式(或COCO *.json格式)到.txt格式（img_path xmin0 ymin0 xmax0 ymax0 class0, xmin1 ymin1 xmax1 ymax1 class1,……)。

5.对于自己的数据集

1）将数据集的图片放入JPEGImages文件夹，将注释文件放入Annotations文件夹。
2）使用xml_to_txt.py文件将训练和测试文件列表写入ImageSets/Main/*.txt文件中。
3）使用utils/voc.py或utils/coco.py转换成pascal voc *.xml格式(或COCO *.json格式)到txt格式（img_path xmin0 ymin0 xmax0 ymax0 class0, xmin1 ymin1 xmax1 ymax1 class1,……)。

下载预训练模型

• 在根目录下创建weight文件夹；
• 将下载好的预训练模型放到weight/目录下
• Darknet pre-trained weight :
  (google)(https://drive.google.com/open?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT)
  (baiduyun)(https://pan.baidu.com/s/1amusMu_JKz9_AHXr7xWM7A 提取码 args)

训练

对于VOC数据集:在config/yolov4_config.py中将DATA_TYPE设置为VOC,
对于COCO数据集:在config/yolov4_config.py中将DATA_TYPE设置为COCO,
然后运行python -u train.py  --gpu_id 0

测试

对于VOC数据集:
python eval_voc.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode det
对于COCO数据集:
python eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode det

验证结果（mAP值，P-R曲线）

(VOC dataset):
python get_gt_txt.py #得到ground truth
python get_map.py #得到mAP,P-R曲线图
(COCO dataset):
python eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode val

计算模型大小，参数

python modelsize.py