# Paddle-YOLOv4 **Repository Path**: LiuTianyong/Paddle-YOLOv4 ## Basic Information - **Project Name**: Paddle-YOLOv4 - **Description**: Paddle-YOLOv4,supports training, at least 39.5% mAP.支持训练，至少39.5%mAP。少数的给出精度的复现。 - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2020-09-25 - **Last Updated**: 2020-12-20 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README [English](README_en.md) | 简体中文 # Paddle-YOLOv4 ## 概述 Paddle-YOLOv4,参考自https://github.com/miemie2013/Keras-YOLOv4 和https://github.com/Tianxiaomo/pytorch-YOLOv4 ## 推荐 本项目已经开源到AIStudio中，可直接跑： https://aistudio.baidu.com/aistudio/projectdetail/570310 ## 咩酱刷屏时刻 Keras版YOLOv3: https://github.com/miemie2013/Keras-DIOU-YOLOv3 Pytorch版YOLOv3：https://github.com/miemie2013/Pytorch-DIOU-YOLOv3 PaddlePaddle版YOLOv3：https://github.com/miemie2013/Paddle-DIOU-YOLOv3 PaddlePaddle完美复刻版版yolact: https://github.com/miemie2013/PaddlePaddle_yolact yolov3魔改成yolact: https://github.com/miemie2013/yolact Keras版YOLOv4: https://github.com/miemie2013/Keras-YOLOv4 Pytorch版YOLOv4: 制作中 Paddle版YOLOv4：https://github.com/miemie2013/Paddle-YOLOv4 Keras版SOLO: https://github.com/miemie2013/Keras-SOLO Paddle版SOLO: https://github.com/miemie2013/Paddle-SOLO ## 更新日记 2020/06/18:经过验证，Paddle镜像版YOLOv4：https://github.com/miemie2013/Paddle-YOLOv4 ，可以刷到43.4mAP（不冻结任何层的情况下），赶紧star我的Paddle版YOLOv4，去AIStudio抢显卡训练吧！ 2020/06/25:支持yolact中的fastnms。运行demo_fast.py即可体验。经过试验发现并没有官方的yolo_box()、multiclass_nms()快。可能需要用C++ op重写。 2020/06/30:重要提醒：第二次重新训练之后，val2017的mAP没那么高了，在39.5%左右。目前原因正在排查。说一下我第一次训练时的配置：一开始是抢到16GB的显卡，开了批大小=4训练,学习率是0.0001没有用smooth_onehot；后来中断了一次，抢到了32GB的显卡，开了批大小=8，后来，手动调整了学习率为0.00001，加上了smooth_onehot，在245000步时得到那个模型。现在模型也没了。本着不误人子弟的原则，如实相告。这个仓库并不是完美复现，还缺很多trick，有一些是我目前不能解决的，水平有限。对精度要求不是很高的同学可以继续使用。 2020/07/16:加入YOLOv3增强版。见https://github.com/PaddlePaddle/PaddleDetection/blob/release/0.3/docs/featured_model/YOLOv3_ENHANCEMENT.md 。项目根目录下 ``` wget https://paddlemodels.bj.bcebos.com/object_detection/yolov3_r50vd_dcn_obj365_dropblock_iouloss.tar ``` 下载模型。（PS:训练速度是比不上PaddleDetection的，仅研究用） ## 需要补充 加入YOLOv4中的数据增强和其余的tricks；更多调优。 ## 新坑 第二次从预训练模型重新训练，mAP没这么高了。。。。难道是label_smooth?第一次训练时，一开始我没有用label_smooth，是在第一次训练微调阶段加上的。等待更多实验。 ## 环境搭建 AIStudio已经为我们搭建好大部分依赖。 ## 训练 下载我从Tianxiaomo的仓库保存下来的pytorch模型yolov4.pt 链接：https://pan.baidu.com/s/152poRrQW9Na_C8rkhNEh3g 提取码：09ou (在本地windows中操作) 将它放在项目根目录下。然后运行1_pytorch2paddle.py得到一个yolov4文件夹，它也位于根目录下。 (在AIStudio中操作) 在AIStudio中创建一个自己的项目，克隆这个仓库的代码到项目里。要求AIStudio的~/work/下直接有本仓库的annotation/、data/文件夹， 即AIStudio的~/work/就是项目的根目录。 把windows中的yolov4文件夹打包成zip，通过AIStudio的“创建数据集”将zip包上传。 创建的项目使用这个数据集和COCO2017数据集，就可以完成预训练模型上传了。 (为了方便大家使用，我已经上传了预训练模型，本仓库自带的数据集“yolov4_pretrained”就是预训练模型了，在~/data/data40855/目录下) 进入AIStudio，把上传的预训练模型解压： ``` cd ~/w* cp ../data/data40855/yolov4.zip ./yolov4.zip unzip yolov4.zip ``` 此外，你还要安装pycocotools依赖、解压COCO2017数据集： ``` cd ~ pip install pycocotools cd data cd data7122 unzip ann*.zip unzip val*.zip unzip tes*.zip unzip image_info*.zip unzip train*.zip cd ~/w* ``` 运行train.py进行训练: ``` rm -f train.txt nohup python train.py>> train.txt 2>&1 & ``` 通过修改config.py代码来进行更换数据集、更改超参数以及训练参数。 训练时默认每5000步计算一次验证集的mAP。或者运行eval.py评估指定模型的mAP。该mAP是val集的结果。 训练时如果发现mAP很稳定了，就停掉，修改学习率为原来的十分之一，接着继续训练，mAP还会再上升。暂时是这样手动操作。 ## 训练自定义数据集 自带的voc2012数据集是一个很好的例子。 将自己数据集的txt注解文件放到annotation目录下，txt注解文件的格式如下： ``` xxx.jpg 18.19,6.32,424.13,421.83,20 323.86,2.65,640.0,421.94,20 xxx.jpg 48,240,195,371,11 8,12,352,498,14 # 图片名 物体1左上角x坐标,物体1左上角y坐标,物体1右下角x坐标,物体1右下角y坐标,物体1类别id 物体2左上角x坐标,物体2左上角y坐标,物体2右下角x坐标,物体2右下角y坐标,物体2类别id ... ``` 运行1_txt2json.py会在annotation_json目录下生成两个coco注解风格的json注解文件，这是train.py支持的注解文件格式。 在config.py里修改train_path、val_path、classes_path、train_pre_path、val_pre_path这5个变量（自带的voc2012数据集直接解除注释就ok了）就可以开始训练自己的数据集了。 如果需要跑demo.py、eval.py，与数据集有关的变量也需要修改一下，应该很容易看懂。 ## 评估 训练时默认每5000步计算一次验证集的mAP。或者运行eval.py评估指定模型的mAP。该mAP是val集的结果。 ## test-dev 运行test_dev.py。 运行完之后，进入results目录，把bbox_detections.json压缩成bbox_detections.zip，提交到 https://competitions.codalab.org/competitions/20794#participate 获得bbox mAP. ## 预测 运行demo.py。 ## 导出 ``` python export_model.py ``` 关于导出的参数请看export_model.py中的注释。导出后的模型默认存放在inference_model目录下，带有一个配置文件infer_cfg.yml。 用导出后的模型预测图片： ``` python deploy_infer.py --model_dir inference_model --image_dir images/test/ ``` 用导出后的模型预测视频： ``` python deploy_infer.py --model_dir inference_model --video_file D://PycharmProjects/moviepy/dddd.mp4 ``` 用导出后的模型播放视频：（按esc键停止播放） ``` python deploy_infer.py --model_dir inference_model --play_video D://PycharmProjects/moviepy/dddd.mp4 ``` ## 传送门 cv算法交流q群：645796480 但是关于仓库的疑问尽量在Issues上提，避免重复解答。 本人微信公众号：miemie_2013 技术博客：https://blog.csdn.net/qq_27311165 ## 广告位招租 有偿接私活，可联系微信wer186259，金主快点来吧！