PyTorch版YOLOv4更新了，不仅适用于自定义数据集，还集成了注意力和MobileNet 机器之心报道 作者：陈萍 距离 YOLO v4 的推出，已经过去 5 个多月。YOLO 框架采用 C 语言作为底层代码，这对于惯用 Python 的研究者来说，实在是有点不友好。因此网上出现了很多基于各种深度学习框架的 YOLO 复现版本。近日，就有研究者在 GitHub 上更新了基于 PyTorch 的 YOLOv4。 从今年 4 月 YOLOv4 发布后，对于这个目标检测框架，问的最多的问题或许就是：「有没有同学复现 YOLOv4 的， 可以交流一下么」。由于原版 YOLO 使用 C 语言进行编程，光凭这一点就让不少同学望而却步。网上有很多基于 TF/Keras 和 Caffe 等的复现版本，但不少项目只给了代码，并没有给出模型在 COCO、PASCAL VOC 数据集上的训练结果。 近日，有研究者在 GitHub 上开源了一个项目：基于 PyTorch 深度学习框架的 YOLOv4 复现版本，该版本基于 YOLOv4 作者给出的实现 AlexeyAB/darknet，并在 PASCAL VOC、COCO 和自定义数据集上运行。 项目地址：https://github.com/argusswift/YOLOv4-PyTorch 除此以外，该项目还向主干网络添加了一些有用的注意力方法，并实现了 mobilenetv2-YOLOV4 和 mobilenetv3-YOLOV4。 attentive YOLOv4 该项目向主干网络添加了一些注意力方法，如 SEnet、CBAM。 SEnet (CVPR 2017) CBAM (CVPR 2018) mobilenet YOLOv4 该研究还实现了 mobilenetv2-YOLOV4 和 mobilenetv3-YOLOV4（只需更改 config/yolov4_config.py 中的 MODEL_TYPE 即可）。 下表展示了 mobilenetv2-YOLOV4 的性能结果： 现在我们来看该项目的详细内容和要求。 环境要求 Nvida GeForce RTX 2080TI CUDA10.0 CUDNN7.0 windows 或 linux 系统 python 3.6 特性 DO-Conv (https://arxiv.org/abs/2006.12030) (torch=1.2) Attention fp_16 training Mish Custom data Data Augment (RandomHorizontalFlip, RandomCrop, RandomAffine, Resize) Multi-scale Training (320 to 640) focal loss CIOU Label smooth Mixup cosine lr 安装依赖项 运行脚本安装依赖项。你需要提供 conda 安装路径（例如 ~/anaconda3）以及所创建 conda 环境的名称（此处为 YOLOv4-PyTorch）。 pip3 install -r requirements.txt --user 需要注意的是：安装脚本已在 Ubuntu 18.04 和 Window 10 系统上进行过测试。如果出现问题，请查看详细的安装说明：https://github.com/argusswift/YOLOv4-PyTorch/blob/master/INSTALL.md。 准备工作 1. git 复制 YOLOv4 库 准备工作的第一步是复制 YOLOv4。 git clone github.com/argusswift/YOLOv4-PyTorch.git 然后更新配置文件「config/yolov4_config.py」中「PROJECT_PATH」。 2. 数据集准备 该项目准备了 Pascal VOC 和 MSCOCO 2017 数据集。其中 PascalVOC 数据集包括 VOC 2012_trainval、VOC 2007_trainval 和 VOC2007_test，MSCOCO 2017 数据集包括 train2017_img、train2017_ann、val2017_img、val2017_ann、test2017_img、test2017_list。 PascalVOC 数据集下载命令： # Download the data.cd $HOME/datawget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tarwget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tarwget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar# Extract the data.tar -xvf VOCtrainval_11-May-2012.tartar -xvf VOCtrainval_06-Nov-2007.tartar -xvf VOCtest_06-Nov-2007.tar MSCOCO 2017 数据集下载命令： #step1: download the following data and annotation 2017 Train images [118K/18GB] 2017 Val images [5K/1GB] 2017 Test images [41K/6GB] 2017 Train/Val annotations [241MB] #step2: arrange the data to the following structure COCO ---train ---test ---val ---annotations 在数据集下载好后，需要进行以下操作： 将数据集放入目录，更新 config/yolov4_config.py 中的 DATA_PATH 参数。 （对于 COCO 数据集）使用 coco_to_voc.py 将 COCO 数据类型转换为 VOC 数据类型。 转换数据格式：使用 utils/voc.py 或 utils/coco.py 将 pascal voc *.xml 格式（或 COCO *.json 格式）转换为 *.txt 格式（Image_path xmin0,ymin0,xmax0,ymax0,class0 xmin1,ymin1,xmax1,ymax1,class1 ...）。 3. 下载权重文件 1）darknet 预训练权重：yolov4（https://drive.google.com/file/d/1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT/view）。2）Mobilenet 预训练权重：mobilenetv2：（https://pan.baidu.com/share/init?surl=sjixK2L9L0YgQnvfDuVTJQ，提取码：args）；mobilenetv3：（https://pan.baidu.com/share/init?surl=75wKejULuM0ZD05b9iSftg，提取码：args）。3）在根目录下创建 weight 文件夹，将下载好的权重文件放到 weight / 目录下。4）训练时在 config/yolov4_config.py 中设置 MODEL_TYPE。 4. 转换成自定义数据集（基于自定义数据集进行训练） 1）将自定义数据集的图片放入 JPEGImages 文件夹，将注释文件放入 Annotations 文件夹。2）使用 xml_to_txt.py 文件将训练和测试文件列表写入 ImageSets/Main/*.txt。3）转换数据格式：使用 utils/voc.py 或 utils/coco.py 将 pascal voc *.xml 格式（或 COCO *.json 格式）转换为 *.txt 格式（Image_path xmin0,ymin0,xmax0,ymax0,class0 xmin1,ymin1,xmax1,ymax1,class1 ...）。 训练 运行以下命令开始训练，详情参见 config / yolov4_config.py。训练时应将 DATA_TYPE 设置为 VOC 或 COCO。 CUDA_VISIBLE_DEVICES=0 nohup python -u train.py --weight_path weight/yolov4.weights --gpu_id 0 nohup.log 2&1 & 它还支持 resume 训练，添加 --resume，使用以下命令即可自动加载 last.pt。 CUDA_VISIBLE_DEVICES=0 nohup python -u train.py --weight_path weight/last.pt --gpu_id 0 nohup.log 2&1 & 检测 修改检测图像路径：DATA_TEST=/path/to/your/test_data# your own images。 for VOC dataset:CUDA_VISIBLE_DEVICES=0 python3 eval_voc.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode detfor COCO dataset:CUDA_VISIBLE_DEVICES=0 python3 eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode det 结果可以在 output / 中查看，如下所示： 评估（Pascal VOC 数据集） 修改评估数据集路径：DATA_PATH=/path/to/your/test_data # your own images for VOC dataset:CUDA_VISIBLE_DEVICES=0 python3 eval_voc.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval - 评估（COCO 数据集） 修改评估数据集路径：DATA_PATH=/path/to/your/test_data # your own images CUDA_VISIBLE_DEVICES=0 python3 eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode val type=bboxRunning per image evaluation... DONE (t=0.34s).Accumulating evaluation results... DONE (t=0.08s). Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.438 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.607 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.469 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.253 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.486 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.567 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.342 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.571 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.632 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.458 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.691 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.790 可视化热图 在 val_voc.py 中设置 showatt=Ture，网络即可输出热图。 for VOC dataset:CUDA_VISIBLE_DEVICES=0 python3 eval_voc.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --evalfor COCO dataset:CUDA_VISIBLE_DEVICES=0 python3 eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval 在 output / 中可以查看热图，如下所示： 如何根据任务需求搭配恰当类型的数据库？ 在AWS推出的白皮书《进入专用数据库时代》中，介绍了8种数据库类型：关系、键值、文档、内存中、关系图、时间序列、分类账、领域宽列，并逐一分析了每种类型的优势、挑战与主要使用案例。 点击阅读原文或识别二维码，申请免费获取白皮书。 ?THE END 转载请联系本公众号获得授权 投稿或寻求报道：content@jiqizhixin.com 阅读原文