pytorchyolov4训练_yolov4-pytorch

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

目录

YOLOV4的改进

主干特征提取网络：DarkNet53 => CSPDarkNet53

特征金字塔：SPP，PAN

训练用到的小技巧：Mosaic数据增强、Label Smoothing平滑、CIOU、学习率余弦退火衰减

激活函数：使用Mish激活函数

……balabla

所需环境

torch==1.2.0

注意事项

代码中的yolo4_weights.pth是基于608x608的图片训练的，但是由于显存原因。我将代码中的图片大小修改成了416x416。有需要的可以修改回来。 代码中的默认anchors是基于608x608的图片的。

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yolo4_weights.pth可在百度网盘中下载。

链接: https://pan.baidu.com/s/1VNSYi39AaqjHVbdNpW_7sw 提取码: q2iv

yolo4_weights.pth是coco数据集的权重。

yolo4_voc_weights.pth是voc数据集的权重。

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。

classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]

6、就会生成对应的2007_train.txt，每一行对应其图片位置及其真实框的位置。

7、在训练前需要修改model_data里面的voc_classes.txt文件，需要将classes改成你自己的classes。

8、运行train.py即可开始训练。

mAP目标检测精度计算更新

Reference