efficientnet-yolo3-pytorch:这是一个有效的网络-yolo3-pytorch的原始码，将yolov3的主...

## YOLOV3：You Only Look Once目标检测模型在Pytorch当中的实现-替换efficientnet主干网络 --- **2021年2月8日更新：** **加入letterbox_image的选项，关闭letterbox_image后网络的map得到大幅度提升。** ## 目录 1. [性能情况 Performance](#性能情况) 2. [所需环境 Environment](#所需环境) 3. [文件下载 Download](#文件下载) 4. [预测步骤 How2predict](#预测步骤) 5. [训练步骤 How2train](#训练步骤) 6. [参考资料 Reference](#Reference) ## 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 | [efficientnet-b2-voc.pth](https://github.com/bubbliiiing/efficientnet-yolo3-pytorch/releases/download/v1.0/efficientnet-b2-voc.pth) | VOC-Test07 | 416x416 | - | 78.9 ## 所需环境 torch == 1.2.0 ## 文件下载 训练所需的efficientnet-b2-yolov3的权重可以在百度云下载。 链接: https://pan.baidu.com/s/1UjhZUjawmZ-7_OSWPGnwmw 提取码: hiuq 其它版本的efficientnet的权重可以将YoloBody(Config, phi=phi, load_weights=False)的load_weights参数设置成True，从而获得。 ## 预测步骤 ### a、使用预训练权重 1. 下载完库后解压，在百度网盘下载efficientnet-b2-voc.pth，放入model_data，运行predict.py，输入 ```python img/street.jpg ``` 2. 利用video.py可进行摄像头检测。 ### b、使用自己训练的权重 1. 按照训练步骤训练。 2. 在yolo.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指的是所用的efficientnet的版本。 ```python _defaults = { #--------------------------------------------# # 使用自己训练好的模型预测需要修改3个参数 # phi、model_path和classes_path都需要修改！ #--------------------------------------------# "model_path" : 'model_data/efficientnet-b2-voc.pth', "classes_path" : 'model_data/voc_classes.txt', "model_image_size" : (416, 416, 3), "confidence" : 0.3, "phi" : 2, "cuda" : True } ``` 3. 运行predict.py，输入 ```python img/street.jpg ``` 4. 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！** ```python 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： ```python cat dog ... ``` 8. **修改utils/config.py里面的classes，使其为要检测的类的个数**。 9. 运行train.py即可开始训练。 ## 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/qqwweee/keras-yolo3 https://github.com/eriklindernoren/PyTorch-YOLOv3 https://github.com/BobLiu20/YOLOv3_PyTorch