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

NCTU hw2

要使用作業二的資料集，必須先把annotation轉成VOC的格式，我使用的檔案來自https://github.com/penny4860/svhn-voc-annotation-format.

基本上follow 训练步骤 How2train，把data放到指示的位置並按照步驟去生成model所需的format即可。(因為dataset太大所以沒辦法放到github 必須手動搬移)

性能情况

训练数据集	权值文件名称	测试数据集	输入图片大小	mAP 0.5:0.95	mAP 0.5
VOC07+12+COCO	yolo4_voc_weights.pth	VOC-Test07	416x416	-	84.5
COCO-Train2017	yolo4_weights.pth	COCO-Val2017	416x416	42.8	66.0

实现的内容

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

注意不要使用中文标签，文件夹中不要有空格！
在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，在train.py中将classes_path指向该文件。

预测步骤

1、使用预训练权重

a、下载完库后解压，下载yolo4_weights.pth或者yolo4_voc_weights.pth，放入model_data。

2、使用自己训练的权重

a、按照训练步骤训练。
b、在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类。

_defaults = {
    "model_path": 'model_data/yolo4_weights.pth',
    "anchors_path": 'model_data/yolo_anchors.txt',
    "classes_path": 'model_data/coco_classes.txt',
    "model_image_size" : (416, 416, 3),
    "confidence": 0.5,
    "cuda": True
}

c、运行predict.py 可能需要修改裡面的path使其指向包含test image的folder

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。 (path 定義在voc2yolo4.py 跟 voc_annotation.py, 可以自行修改)
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。 (path 定義在voc2yolo4.py 跟 voc_annotation.py, 可以自行修改)
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。注意不要使用中文标签，文件夹中不要有空格！ 不必生成validation set, 這部分在train.py裡面有處理

classes = ["10", "1", "2" ....]

6、此时会生成对应的2007_train.txt，每一行对应其图片位置及其真实框的位置。
7、在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，在train.py中将classes_path指向该文件，示例如下：

classes_path = 'model_data/new_classes.txt'

model_data/new_classes.txt文件内容为：

10
1
2
3
...
...

8、运行train.py即可开始训练。

Reference

https://github.com/qqwweee/keras-yolo3/
https://github.com/Cartucho/mAP
https://github.com/Ma-Dan/keras-yolo4

Darklanx/yolov4-pytorch