https://github.com/ultralytics/yolov3

Introduction简介

This directory contains PyTorch YOLOv3 software developed by Ultralytics LLC, and is freely available for redistribution under the GPL-3.0 license. For more information please visit https://www.ultralytics.com.

此目录包含由Ultralytics LLC开发的PyTorch YOLOv3软件，可根据GPL-3.0许可证免费重新分发。更多信息请访问https://www.ultralytics.com。

Description描述

The https://github.com/ultralytics/yolov3 repo contains inference and training code for YOLOv3 in PyTorch. The code works on Linux, MacOS and Windows. Training is done on the COCO dataset by default: https://cocodataset.org/#home. Credit to Joseph Redmon for YOLO: https://pjreddie.com/darknet/yolo/.

https://github.com/ultralytics/yolov3 托管包含PyTorch中yolov3的引用和训练代码。这段代码可以在Linux、MacOS和Windows上运行。默认情况下，训练是在COCO数据集上完成的：https://COCO dataset.org/'35；home。YOLO的版权归属于约瑟夫·雷蒙：https://pjreddie.com/darknet/YOLO/。

Requirements

Python 3.7 or later with the following pip3 install -U -r requirements.txt packages:

  • numpy
  • torch >= 1.1.0
  • opencv-python
  • tqdm

Tutorials教程

Jupyter Notebook

Our Jupyter notebook provides quick training, inference and testing examples.

我们的Jupyter笔记本提供了快速的培训、推理和测试示例。

Training

Start Training: python3 train.py to begin training after downloading COCO data with data/get_coco_dataset.sh. Each epoch trains on 117,263 images from the train and validate COCO sets, and tests on 5000 images from the COCO validate set.

在使用data/get_coco_dataset.sh下載了COCO數據集之後使用python3 train.py開始訓練。

Resume Training: python3 train.py --resume to resume training from weights/last.pt.

Plot Training: from utils import utils; utils.plot_results() plots training results from coco_16img.data, coco_64img.data, 2 example datasets available in the data/ folder, which train and test on the first 16 and 64 images of the COCO2014-trainval dataset.

Image Augmentation

datasets.py applies random OpenCV-powered (https://opencv.org/) augmentation to the input images in accordance with the following specifications. Augmentation is applied only during training, not during inference. Bounding boxes are automatically tracked and updated with the images. 416 x 416 examples pictured below.

Augmentation Description
Translation +/- 10% (vertical and horizontal)
Rotation +/- 5 degrees
Shear +/- 2 degrees (vertical and horizontal)
Scale +/- 10%
Reflection 50% probability (horizontal-only)
HSV Saturation +/- 50%
HSV Intensity +/- 50%

Speed

https://cloud.google.com/deep-learning-vm/
Machine type: preemptible n1-standard-16 (16 vCPUs, 60 GB memory)
CPU platform: Intel Skylake
GPUs: K80 ($0.20/hr), T4 ($0.35/hr), V100 ($0.83/hr) CUDA with Nvidia Apex FP16/32
HDD: 1 TB SSD
Dataset: COCO train 2014 (117,263 images)
Model: yolov3-spp.cfg
Command: python3 train.py --img 416 --batch 32 --accum 2

GPU n --batch --accum img/s epoch
time		 epoch
cost
K80 1 32 x 2 11 175 min $0.58
T4 1
2		 32 x 2
64 x 1		 41
61		 48 min
32 min		 $0.28
$0.36
V100 1
2		 32 x 2
64 x 1		 122
178		 16 min
11 min		 $0.23
$0.31
2080Ti 1
2		 32 x 2
64 x 1		 81
140		 24 min
14 min		 -

Inference

detect.py runs inference on any sources:

python3 detect.py --source ...
  • Image: --source file.jpg
  • Video: --source file.mp4
  • Directory: --source dir/
  • Webcam: --source 0
  • RTSP stream: --source rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa
  • HTTP stream: --source http://wmccpinetop.axiscam.net/mjpg/video.mjpg

To run a specific models:

YOLOv3: python3 detect.py --cfg cfg/yolov3.cfg --weights yolov3.weights

YOLOv3-tiny: python3 detect.py --cfg cfg/yolov3-tiny.cfg --weights yolov3-tiny.weights

YOLOv3-SPP: python3 detect.py --cfg cfg/yolov3-spp.cfg --weights yolov3-spp.weights

Pretrained Weights

Download from: https://drive.google.com/open?id=1LezFG5g3BCW6iYaV89B2i64cqEUZD7e0

Darknet Conversion

$ git clone https://github.com/ultralytics/yolov3 && cd yolov3

# convert darknet cfg/weights to pytorch model

$ python3  -c "from models import *; convert('cfg/yolov3-spp.cfg', 'weights/yolov3-spp.weights')"

Success: converted 'weights/yolov3-spp.weights' to 'converted.pt'

# convert cfg/pytorch model to darknet weights

$ python3  -c "from models import *; convert('cfg/yolov3-spp.cfg', 'weights/yolov3-spp.pt')"

Success: converted 'weights/yolov3-spp.pt' to 'converted.weights'

mAP

python3 test.py --weights ... --cfg ...
  • mAP@0.5 run at --nms-thres 0.5, mAP@0.5...0.95 run at --nms-thres 0.7
  • YOLOv3-SPP ultralytics is ultralytics68.pt with yolov3-spp.cfg
  • Darknet results: https://arxiv.org/abs/1804.02767
  Size COCO mAP
@0.5...0.95		 COCO mAP
@0.5
YOLOv3-tiny
YOLOv3
YOLOv3-SPP
YOLOv3-SPP ultralytics		 320 14.0
28.7
30.5
35.4		 29.1
51.8
52.3
54.3
YOLOv3-tiny
YOLOv3
YOLOv3-SPP
YOLOv3-SPP ultralytics		 416 16.0
31.2
33.9
39.0		 33.0
55.4
56.9
59.2
YOLOv3-tiny
YOLOv3
YOLOv3-SPP
YOLOv3-SPP ultralytics		 512 16.6
32.7
35.6
40.3		 34.9
57.7
59.5
60.6
YOLOv3-tiny
YOLOv3
YOLOv3-SPP
YOLOv3-SPP ultralytics		 608 16.6
33.1
37.0
40.9		 35.4
58.2
60.7
60.9		 
$ python3 test.py --save-json --img-size 608 --nms-thres 0.5 --weights ultralytics68.pt

Namespace(batch_size=16, cfg='cfg/yolov3-spp.cfg', conf_thres=0.001, data='data/coco.data', device='1', img_size=608, iou_thres=0.5, nms_thres=0.7, save_json=True, weights='ultralytics68.pt')

Using CUDA device0 _CudaDeviceProperties(name='GeForce RTX 2080 Ti', total_memory=11019MB)

               Class    Images   Targets         P         R   mAP@0.5        F1: 100%|███████████████████████████████████████████████████████████████████████████████████| 313/313 [09:46<00:00,  1.09it/s]

                 all     5e+03  3.58e+04    0.0823     0.798     0.595     0.145

              person     5e+03  1.09e+04    0.0999     0.903     0.771      0.18

             bicycle     5e+03       316    0.0491     0.782      0.56    0.0925

                 car     5e+03  1.67e+03    0.0552     0.845     0.646     0.104

          motorcycle     5e+03       391      0.11     0.847     0.704     0.194

            airplane     5e+03       131     0.099     0.947     0.878     0.179

                 bus     5e+03       261     0.142     0.874     0.825     0.244

               train     5e+03       212     0.152     0.863     0.806     0.258

               truck     5e+03       352    0.0849     0.682     0.514     0.151

                boat     5e+03       475    0.0498     0.787     0.504    0.0937

       traffic light     5e+03       516    0.0304     0.752     0.516    0.0584

        fire hydrant     5e+03        83     0.144     0.916     0.882     0.248

           stop sign     5e+03        84    0.0833     0.917     0.809     0.153

       parking meter     5e+03        59    0.0607     0.695     0.611     0.112

               bench     5e+03       473    0.0294     0.685     0.363    0.0564

                bird     5e+03       469    0.0521     0.716     0.524    0.0972

                 cat     5e+03       195     0.252     0.908      0.78     0.395

                 dog     5e+03       223     0.192     0.883     0.829     0.315

               horse     5e+03       305     0.121     0.911     0.843     0.214

               sheep     5e+03       321     0.114     0.854     0.724     0.201

                 cow     5e+03       384     0.105     0.849     0.695     0.187

            elephant     5e+03       284     0.184     0.944     0.912     0.308

                bear     5e+03        53     0.358     0.925     0.875     0.516

               zebra     5e+03       277     0.176     0.935     0.858     0.297

             giraffe     5e+03       170     0.171     0.959     0.892      0.29

            backpack     5e+03       384    0.0426     0.708     0.392    0.0803

            umbrella     5e+03       392    0.0672     0.878      0.65     0.125

             handbag     5e+03       483    0.0238     0.629     0.242    0.0458

                 tie     5e+03       297    0.0419     0.805     0.599    0.0797

            suitcase     5e+03       310    0.0823     0.855     0.628      0.15

             frisbee     5e+03       109     0.126     0.872     0.796     0.221

                skis     5e+03       282    0.0473     0.748     0.454     0.089

           snowboard     5e+03        92    0.0579     0.804     0.559     0.108

         sports ball     5e+03       236     0.057     0.733     0.622     0.106

                kite     5e+03       399     0.087     0.852     0.645     0.158

        baseball bat     5e+03       125    0.0496     0.776     0.603    0.0932

      baseball glove     5e+03       139    0.0511     0.734     0.563    0.0956

          skateboard     5e+03       218    0.0655     0.844      0.73     0.122

           surfboard     5e+03       266    0.0709     0.827     0.651     0.131

       tennis racket     5e+03       183    0.0694     0.858     0.759     0.128

              bottle     5e+03       966    0.0484     0.812     0.513    0.0914

          wine glass     5e+03       366    0.0735     0.738     0.543     0.134

                 cup     5e+03       897    0.0637     0.788     0.538     0.118

                fork     5e+03       234    0.0411     0.662     0.487    0.0774

               knife     5e+03       291    0.0334     0.557     0.292    0.0631

               spoon     5e+03       253    0.0281     0.621     0.307    0.0537

                bowl     5e+03       620    0.0624     0.795     0.514     0.116

              banana     5e+03       371     0.052      0.83      0.41    0.0979

               apple     5e+03       158    0.0293     0.741     0.262    0.0564

            sandwich     5e+03       160    0.0913     0.725     0.522     0.162

              orange     5e+03       189    0.0382     0.688      0.32    0.0723

            broccoli     5e+03       332    0.0513      0.88     0.445     0.097

              carrot     5e+03       346    0.0398     0.766     0.362    0.0757

             hot dog     5e+03       164    0.0958     0.646     0.494     0.167

               pizza     5e+03       224    0.0886     0.875     0.699     0.161

               donut     5e+03       237    0.0925     0.827      0.64     0.166

                cake     5e+03       241    0.0658      0.71     0.539      0.12

               chair     5e+03  1.62e+03    0.0432     0.793     0.489    0.0819

               couch     5e+03       236     0.118     0.801     0.584     0.205

        potted plant     5e+03       431    0.0373     0.852     0.505    0.0714

                 bed     5e+03       195     0.149     0.846     0.693     0.253

        dining table     5e+03       634    0.0546      0.82      0.49     0.102

              toilet     5e+03       179     0.161      0.95      0.81     0.275

                  tv     5e+03       257    0.0922     0.903      0.79     0.167

              laptop     5e+03       237     0.127     0.869     0.744     0.222

               mouse     5e+03        95    0.0648     0.863     0.732      0.12

              remote     5e+03       241    0.0436     0.788     0.535    0.0827

            keyboard     5e+03       117    0.0668     0.923     0.755     0.125

          cell phone     5e+03       291    0.0364     0.704     0.436    0.0692

           microwave     5e+03        88     0.154     0.841     0.743     0.261

                oven     5e+03       142    0.0618     0.803     0.576     0.115

             toaster     5e+03        11    0.0565     0.636     0.191     0.104

                sink     5e+03       211    0.0439     0.853     0.544    0.0835

        refrigerator     5e+03       107    0.0791     0.907     0.742     0.145

                book     5e+03  1.08e+03    0.0399     0.667     0.233    0.0753

               clock     5e+03       292    0.0542     0.836     0.733     0.102

                vase     5e+03       353    0.0675     0.799     0.591     0.125

            scissors     5e+03        56    0.0397      0.75     0.461    0.0755

          teddy bear     5e+03       245    0.0995     0.882     0.669     0.179

          hair drier     5e+03        11   0.00508    0.0909    0.0475   0.00962

          toothbrush     5e+03        77    0.0371      0.74     0.418    0.0706

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.409

 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.600

 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.446

 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.243

 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.450

 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.514

 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.326

 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.536

 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.593

 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.422

 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.640

 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.707

Reproduce Our Results

This command trains yolov3-spp.cfg from scratch to our mAP above. Training takes about one week on a 2080Ti.

$ python3 train.py --weights '' --cfg yolov3-spp.cfg --epochs 273 --batch 16 --accum 4 --multi --pre

Reproduce Our Environment

To access an up-to-date working environment (with all dependencies including CUDA/CUDNN, Python and PyTorch preinstalled), consider a:

Citation

Contact

Issues should be raised directly in the repository. For additional questions or comments please email Glenn Jocher at glenn.jocher@ultralytics.com or visit us at https://contact.ultralytics.com.

yolov3 in PyTorch的更多相关文章

  1. pytorch实现yolov3(1) yolov3基本原理

    理解一个算法最好的就是实现它,对深度学习也一样,准备跟着https://blog.paperspace.com/how-to-implement-a-yolo-object-detector-in-p ...

  2. pytorch版yolov3训练自己数据集

    目录 1. 环境搭建 2. 数据集构建 3. 训练模型 4. 测试模型 5. 评估模型 6. 可视化 7. 高级进阶-网络结构更改 1. 环境搭建 将github库download下来. git cl ...

  3. [Open Source]基于YOLOv3与Django框架的Web应用-YOLOv3_Detect_Web

    YOLOv3_Detect_Web Use Yolov3 detect on Web 使用 YOLOv3(PyTorch 和 Django 实现)的对象检测应用程序. 网页和 REST API由Dja ...

  4. darknet

    darknet第二作者:https://github.com//AlexeyAB/darknet#how-to-train-to-detect-your-custom-objects yolov3实现 ...

  5. 商汤开源的mmdetection技术报告

    目录 1. 简介 2. 支持的算法 3. 框架与架构 6. 相关链接 前言:让我惊艳的几个库: ultralytics的yolov3,在一众yolov3的pytorch版本实现算法中脱颖而出,收到开发 ...

  6. Python高阶用法总结

    目录 1. lambda匿名函数 1.1 函数式编程 1.2 应用在闭包 2. 列表解析式 3. enumerate内建函数 4. 迭代器与生成器 4.1 迭代器 4.3 生成器 5. 装饰器 前言: ...

  7. 小白也能弄懂的目标检测之YOLO系列 - 第一期

    大家好,上期分享了电脑端几个免费无广告且实用的录屏软件,这期想给大家来讲解YOLO这个算法,从零基础学起,并最终学会YOLOV3的Pytorch实现,并学会自己制作数据集进行模型训练,然后用自己训练好 ...

  8. YOLOv4没交棒，但YOLOv5来了！

    YOLOv4没交棒,但YOLOv5来了! 前言 4月24日,YOLOv4来了! 5月30日,"YOLOv5"来了! 这里的 "YOLOv5" 是带有引号的,因为 ...

  9. Pytorch版本yolov3源码阅读

    目录 Pytorch版本yolov3源码阅读 1. 阅读test.py 1.1 参数解读 1.2 data文件解析 1.3 cfg文件解析 1.4 根据cfg文件创建模块 1.5 YOLOLayer ...

随机推荐

  1. Java Web ActiveMQ与WebService的异同

    Webservice 和MQ(MessageQueue)都是解决跨平台通信的常用手段 一.WebService:用来远程调用服务,达到打通系统.服务复用的目的.是SOA系统架构——面向服务架构的体现. ...

  2. $.ajax通用格式&&XMLHttpRequest对象属性和方法

    $.ajax({ url: "", type: "POST", async: false, cache:false, //默认true data: {}, da ...

  3. js修改当前页面地址栏参数

    利用HTML5 history新特性replaceState方法可以修改当前页面地址栏参数,示例代码: //选择日期后改变地址栏 var urlSearch = location.href; var ...

  4. SQL的GROUP BY 与 Order By

    1.概述 “Group By”从字面意义上理解就是根据“By”指定的规则对数据进行分组,所谓的分组就是将一个“数据集”划分成若干个“小区域”,然后针对若干个“小区域”进行数据处理. 2.原始表 3.简 ...

  5. logback替换log4j

    1.新建logback.xml放在src目录下(放在src下会自动加载,不需要再web.xml配置) 2.引入必要的jar包:

  6. Windows 7 系统下显示文件类型的扩展名和隐藏文件

    一.显示扩展名 点击开始菜单 在搜索框中输入「文件夹选项」并单击 切换到「查看」栏,取消勾选「隐藏已知文件类型的扩展名」这一项 设置完成 ps: 你也可以通过单击下图位置进行相应操作来达到同样的效果 ...

  7. Caffe测试单独的算子

    最近有一个需求是测试单独算子在CPU.Caffe使用的GPU.cuDNN上的性能,一个是使用caffe的time问题,还有一个是使用单独的test功能. time选项的使用,大家都比较熟悉,单独的te ...

  8. Jupyter Notebook不能自动打开浏览器

    安装了 Winpython,运行Jupyter Notebook.exe或Jupyter lab.exe,总是不能自动打开浏览器,提示"no web browser found" ...

  9. 盗取连接你wifi的人的qq

    #本文内容仅供个人娱乐学习 思路: 使用wireshark监听笔记本的wifi热点,拦截捕获连接你的wifi热点的人的手机qq网络数据包,从网络数据包中分析取出两个qq空间的两个coookie值,使用 ...

  10. 第十章、collections

    目录 第十章.collections 一.OrderedDict方法 第十章.collections 一.OrderedDict方法 使用dict时,Key是无序的.在对dict做迭代时,我们无法确定 ...