efficientdet-pytorch: A Python repository from MaLiXiaoGuo

Efficientdet：Scalable and Efficient Object目标检测模型在Pytorch当中的实现

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
COCO-Train2017	efficientdet-d0.pth	COCO-Val2017	512x512	33.1
COCO-Train2017	efficientdet-d1.pth	COCO-Val2017	640x640	38.8
COCO-Train2017	efficientdet-d2.pth	COCO-Val2017	768x768	42.1
COCO-Train2017	efficientdet-d3.pth	COCO-Val2017	896x896	45.6
COCO-Train2017	efficientdet-d4.pth	COCO-Val2017	1024x1024	48.8
COCO-Train2017	efficientdet-d5.pth	COCO-Val2017	1280x1280	50.2
COCO-Train2017	efficientdet-d6.pth	COCO-Val2017	1408x1408	50.7
COCO-Train2017	efficientdet-d7.pth	COCO-Val2017	1536x1536	51.2

所需环境

torch==1.2.0

文件下载

训练所需的pth可以在百度网盘下载。
包括Efficientdet-d0到d7所有权重。
链接: https://pan.baidu.com/s/1Kvv526YYSDJEf9BzWfIb3Q 提取码: f9g3

VOC数据集下载地址如下：
VOC2007+2012训练集
链接: https://pan.baidu.com/s/16pemiBGd-P9q2j7dZKGDFA 提取码: eiw9

VOC2007测试集
链接: https://pan.baidu.com/s/1BnMiFwlNwIWG9gsd4jHLig 提取码: dsda

注意事项

1、训练前一定要注意权重文件与Efficientdet版本的对齐！
2、注意修改训练用到的voc_classes.txt文件！
3、注意修改预测用到的voc_classes.txt文件！

预测步骤

1、使用预训练权重

a、下载完库后解压，在百度网盘下载Efficientdet-d0到d7的权重，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。

2、使用自己训练的权重

a、按照训练步骤训练。
b、在efficientdet.py文件里面，在如下部分修改model_path、classes_path和phi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。phi为所使用的efficientdet的版本。

_defaults = {
    "model_path": 'model_data/efficientdet-d0.pth',
    "classes_path": 'model_data/coco_classes.txt',
    "phi": 0,
    "confidence": 0.3,
    "cuda": True
}

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。

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voc2efficientdet.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，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：

cat
dog
...

8、修改train.py的classes_path，运行train.py即可开始训练。

评估步骤

评估过程可参考视频https://www.bilibili.com/video/BV1zE411u7Vw
步骤是一样的，不需要自己再建立get_dr_txt.py、get_gt_txt.py等文件。

本文使用VOC格式进行评估。
评估前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
评估前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
在评估前利用voc2efficientdet.py文件生成对应的txt，评估用的txt为VOCdevkit/VOC2007/ImageSets/Main/test.txt，需要注意的是，如果整个VOC2007里面的数据集都是用于评估，那么直接将trainval_percent设置成0即可。
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。
运行get_dr_txt.py和get_gt_txt.py，在./input/detection-results和./input/ground-truth文件夹下生成对应的txt。
运行get_map.py即可开始计算模型的mAP。

mAP目标检测精度计算更新

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

Reference

https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch
https://github.com/Cartucho/mAP

MaLiXiaoGuo/efficientdet-pytorch