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 | M2det_weights.h5 | VOC-Test07 | 320x320 | - | 83.95 |
tensorflow-gpu==1.13.1
keras==2.1.5
训练所需的M2det_weights.h5可以在百度云下载。
链接: https://pan.baidu.com/s/1M9qWbtmPbniPe_jLyLi5YA
提取码: 12ii
a、下载完库后解压,在百度网盘下载M2det_weights.h5,放入model_data,运行predict.py,输入
img/street.jpg
可完成预测。
b、利用video.py可进行摄像头检测。
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、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/M2det_weights.h5',
"classes_path": 'model_data/voc_classes.txt',
"model_image_size" : (320, 320, 3),
"confidence": 0.5,
}
c、运行predict.py,输入
img/street.jpg
可完成预测。
d、利用video.py可进行摄像头检测。
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voc2M2det.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!
classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
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,示例如下:
model_data/new_classes.txt文件内容为:
cat
dog
...
8、修改train.py里面的NUM_CLASSES与需要训练的种类的个数相同。运行train.py即可开始训练。
更新了get_gt_txt.py、get_dr_txt.py和get_map.py文件。
get_map文件克隆自https://github.com/Cartucho/mAP
具体mAP计算过程可参考:https://www.bilibili.com/video/BV1zE411u7Vw
https://github.com/pierluigiferrari/ssd_keras
https://github.com/kuhung/SSD_keras
https://github.com/qijiezhao/M2Det
https://github.com/tadax/m2det
https://github.com/LeeDongYeun/keras-m2det