Keras-YOLOv4 概述 今天是2020.05.20，脱单太难了！
6G的卡也可训练，必须是必须要冻结网络前部分的层。以下是检测效果：
范例0
参考自https://github.com/miemie2013/Keras-DIOU-YOLOv3 和https://github.com/Tianxiaomo/pytorch-YOLOv4
传送门 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
更新日记 2020/05/20：初次见面
2020/06/02：支持训练自定义数据集。
2020/06/05：支持yolact中的fastnms。运行demo_fast.py即可体验。Win10+ cuda9 + 1660Ti（6GB），用numpy后处理约10FPS，用fastnms约14FPS。
2020/06/08：约会了百度PaddleDetection的数据预备方式，并增加了数据增强更灵活，代码结构更清晰。所有与train.py相关的配置参数全部放到了config.py里。
2020/06/10：更新Paddle附加版YOLOv4：https : //github.com/miemie2013/Paddle-YOLOv4 ，从此GPU不求人，快去AIStudio训练自己的YOLOv4，验证想法吧！
需要补充 加入YOLOv4中的数据增强和其余的技巧；更多调优。
环境建造 需要安装cuda9，其余见requirements.txt。预计可能会升级到tf2，cuda10。
文件下载 一个没有训练充分的模型step00070000.h5，用6G的卡训练，冻结了conv2d_86之前的层，训练了70000步，
链接：https ://pan.baidu.com/s/17R9pmdsxLo2cx-0M-EVfyg提取代码：ib2u
下载好之后，运行eval.py得到该模型的mAP（input_shape =（608，608），分数阈值= 0.001，nms阈值= 0.45的情况下）：
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.373 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.605 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.394 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.212 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.406 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.508 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.296 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.475 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.509 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.334 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.548 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.639 追求更高的精度，您需要把冻结层的代码删除，也就是train.py中ly.trainable = False那一部分。但是需要您有一块高显存的闪存。
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
将其放在项目根目录下。然后运行1_pytorch2keras.py得到一个yolov4.h5，它也位于根目录下。运行train.py进行训练。通过修改config.py代码来进行替换数据集，更改超参数以及训练参数。
或者你不下载yolov4.pt，或者下载上面提到的训练不充分的step00070000.h5继续训练也可以。追求更高的精度，你需要把冻结层的代码删除，也就是train.py中ly。可训练= False那一部分。但是需要你有一块高显存的显卡。训练时每每5000步计算一次验证集的mAP。
训练时如果发现mAP很稳定了，就停掉，修改学习纠正原来的十分之一，然后继续训练，mAP将再上升。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注解文件放到注释目录下，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。而且，直接加载yolov4.h5的权重训练也是可以的，这时候keras也仅仅不加载3个输出卷积层的6个权重（因为类别数不同导致了输出通道数不同）。如果需要跑demo.py，demo_fast.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 训练时至少每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。
测试开发 运行完之后，进入结果目录，把bbox_detections.json压缩成bbox_detections.zip，提交到 https://competitions.codalab.org/competitions/20794#participate 获得bbox mAP。
上述step00070000.h5在测试集的mAP是（input_shape =（608，608），分数阈值= 0.001，nms阈值= 0.45的情况下）
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.340 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.554 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.362 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.171 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.360 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.445 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.280 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.445 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.473 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.284 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.503 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.591 该mAP是测试集的结果，也就是大部分检测算法论文的标准指标。有点谜，根据我之前的经验测试集的mAP和val集的mAP应该是差不多的。原因已经找到，由于原版YOLO v4使用coco trainval2014进行训练，训练样本中包含部分评估样本，若使用val集会导致精度虚高。
预测 运行demo.py。运行demo_fast.py。