基于Pytorch实现的Yolo V1.zip

# yolo-v1-demo 基于Pytorch实现的Yolo V1 使用ResNet34简化模型结构，并引入Dropout层减少过拟合。 ## 如何使用 ### 准备 准备数据集，此处以VOC 2012为例，解压并放入data目录中 ``` D:\CODE\YOLO-V1-DEMO\DATA └─VOC2012 ├─Annotations ├─ImageSets │ ├─Action │ ├─Layout │ ├─Main │ └─Segmentation ├─JPEGImages ├─SegmentationClass └─SegmentationObject ``` 运行`preprocessing.py` ```shell python preprocessing.py ``` 运行后将在同级目录下生成img, label两个目录，并有train.txt, test.txt两个文件 ``` D:\CODE\YOLO-V1-DEMO\DATA ├─img ├─label └─VOC2012 ├─Annotations ├─ImageSets │ ├─Action │ ├─Layout │ ├─Main │ └─Segmentation ├─JPEGImages ├─SegmentationClass └─SegmentationObject ``` ### 安装与运行 安装依赖 ```shell pip install -r requirements.txt ``` 设置参数，见主程序开头 ```python # 初始化参数 # EPOCHS: 总的训练次数 # HISTORICAL_EPOCHS: 历史训练次数，用于模型的加载 # - -1表示最近一次训练的模型 # - 0表示不加载历史模型 # - >0表示对应训练次数的模型 # SAVE_EVERY: 保存频率，每训练多少次保存一次 # BATCH_SIZE: 每次喂入的数据量 # LR: 学习率 EPOCHS = 50 HISTORICAL_EPOCHS = -1 SAVE_EVERY = 5 BATCH_SIZE = 4 LR = 1e-4 ``` 除此之外，其他文件开头也有自定义参数，可根据需要自行调整。 启动Visdom ```shell python -m visdom.server ``` 运行主程序 ```shell python main.py ``` ### 可视化展示 进入[http://localhost:8097](http://localhost:8097)查看可视化训练过程  ### 测试 运行`show_yolo.py`展示Yolo的训练效果，默认使用最后一次训练的模型，并展示数据集从下标0开始的10张图片，可根据需要自行调整 生成的效果图片默认位于`output/img`目录下，其中前缀为pred、target的图片分别表示预测图片和真实图片，下标一一对应 ```shell python show_yolo.py ``` ## 介绍 ### 目录结构 - `dataset.py`：数据集 - `main.py`： 主程序 - `preprocessing.py`：预处理 - `show_yolo.py`：训练结果展示 - `util.py`：工具类 - `yolo_v1_loss_vectorization.py`：矢量化的Yolo V1 loss计算 - `yolo_v1_loss.py`：非矢量化的loss计算 - `yolo_v1.py`：Yolo V1主模型，采用ResNet34代替支撑结构 - `show_camera.py`: 调用摄像头实时进行检测