python test.py --task study --data coco.yaml --iou 0.7 --weights yolov3.pt yolov3-spp.pt yolov3-tiny.pt yolov5l.pt
GPU的速度测量端到端的时间平均超过5000 COCO val2017图像使用V100 GPU,批量32,包括图像预处理、PyTorch FP16推理、后处理和NMS。
批量大小为8时,来自google/automl的高效数据集。
通过python test.py复制–任务研究–数据coco.yaml–iou 0.7–权重yolov3.pt yolov3-spp.pt yolov3-tiny.pt yolov5l.pt
The ultralytics/yolov3 repository is now divided into two branches:
ultralytics/yolov3存储库现在分为两个分支:
$ git clone https://github.com/ultralytics/yolov3 # master branch (default)
$ git clone https://github.com/ultralytics/yolov3 -b archive # archive branch
预训练检查站
Model | size (pixels) |
mAPval 0.5:0.95 |
mAPtest 0.5:0.95 |
mAPval 0.5 |
Speed V100 (ms) |
params (M) |
FLOPS 640 (B) |
|
---|---|---|---|---|---|---|---|---|
YOLOv3-tiny | 640 | 17.6 | 17.6 | 34.8 | 1.2 | 8.8 | 13.2 | |
YOLOv3 | 640 | 43.3 | 43.3 | 63.0 | 4.1 | 61.9 | 156.3 | |
YOLOv3-SPP | 640 | 44.3 | 44.3 | 64.6 | 4.1 | 63.0 | 157.1 | |
YOLOv5l | 640 | 48.2 | 48.2 | 66.9 | 3.7 | 47.0 | 115.4 |
APtest denotes COCO test-dev2017 server results, all other AP results denote val2017 accuracy.
APtest表示COCO test-dev2017服务器结果,所有其他AP结果表示val2017准确性
AP values are for single-model single-scale unless otherwise noted. Reproduce mAP by python test.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65
*除非另有说明,AP值适用于单模型单比例。通过python test.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65再现地图
SpeedGPU averaged over 5000 COCO val2017 images using a GCP n1-standard-16 V100 instance, and includes FP16 inference, postprocessing and NMS. Reproduce speed by python test.py --data coco.yaml --img 640 --conf 0.25 --iou 0.45
SpeedGPU使用GCP n1-standard-16 V100实例,平均超过5000张COCO val2017图像,包括FP16推理、后处理和NMS。通过python test.py --data coco.yaml --img 640 --conf 0.25 --iou 0.45再现速度
All checkpoints are trained to 300 epochs with default settings and hyperparameters (no autoaugmentation).
所有的检查点都被训练成300个历元,带有默认设置和超参数(没有自动增强)。
要求
Python 3.8 or later with all requirements.txt dependencies installed, including torch>=1.7
. To install run:
安装了所有requirements.txt依赖项的Python 3.8或更高版本,包括torch>=1.7。要安装:
$ pip install -r requirements.txt
教程
环境
YOLOv3 may be run in any of the following up-to-date verified environments (with all dependencies including CUDA/CUDNN, Python and PyTorch preinstalled):
YOLOv3可以在以下任何一个最新的验证环境中运行(所有依赖项包括CUDA/CUDNN、Python和PyTorch都已预装):
推论
detect.py
runs inference on a variety of sources, downloading models automatically from the latest YOLOv3 release and saving results to runs/detect
.
py在各种源上运行推断,从最新的YOLOv3版本自动下载模型,并将结果保存到runs/detect。
$ python detect.py --source 0 # webcam
file.jpg # image
file.mp4 # video
path/ # directory
path/*.jpg # glob
'https://youtu.be/NUsoVlDFqZg' # YouTube video
'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream
To run inference on example images in data/images
:
要对数据/图像中的示例图像进行推断:
$ python detect.py --source data/images --weights yolov3.pt --conf 0.25
PyTorch中心。
To run batched inference with YOLOv3 and PyTorch Hub:
要使用YOLOv3和PyTorch Hub运行批处理推断:
import torch
# Model
model = torch.hub.load('ultralytics/yolov3', 'yolov3') # or 'yolov3_spp', 'yolov3_tiny'
# Image
img = 'https://ultralytics.com/images/zidane.jpg'
# Inference
results = model(img)
results.print() # or .show(), .save()
培训
Run commands below to reproduce results on COCO dataset (dataset auto-downloads on first use). Training times for YOLOv3/YOLOv3-SPP/YOLOv3-tiny are 6/6/2 days on a single V100 (multi-GPU times faster). Use the largest --batch-size
your GPU allows (batch sizes shown for 16 GB devices).
运行下面的命令在COCO数据集上重现结果(第一次使用时数据集自动下载)。YOLOv3/YOLOv3 SPP/YOLOv3 tiny在单个V100上的训练时间为6/6/2天(多个GPU的速度快了很多)。使用GPU允许的最大批量大小 --batch-size(为16GB设备显示的批量大小)。
$ python train.py --data coco.yaml --cfg yolov3.yaml --weights '' --batch-size 24
yolov3-spp.yaml 24
yolov3-tiny.yaml 64