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. Jmeter入门（一）干货吐槽

    前言:性能测试的基础是功能测试.性能测试的核心是业务场景,而这个业务场景是从功能测试的场景测试中提取出来的. 所以一个软件的测试顺序是:功能(接口)→性能N(接口)→自动化(接口) 接口测试则分布在每 ...

  2. tensorflow零起点快速入门(2)

    指定设备与矩阵乘法 使用tf.device("/gpu:0")用于指定设备进行运算. 在使用jupyter notebook的时候,可能会出现使用异常,需要使用config=tf. ...

  3. [Jenkins]初次访问Jenkins，输入密码后，页面卡在空白界面一直未加载出内容_解决方案

    问题描述 安装Jenkins,初次访问Jenkins(http://localhost:8002,端口号根据各自设置而不同,本例是8002),输入Jenkins初始化的管理密码之后,浏览器中一直卡在空 ...

  4. spring-cloud 学习一 介绍

    微服务Microservice,跟之相对应的是将功能从开发到交付都打包成一个很大的服务单元,一般称之为Monolith,也称「巨石」架构.微服务实现和实施思路更强调功能单一,服务单元小型化和微型化,倡 ...

  5. Eclipse怎么改变@author 姓名

    1 点击windows  然后选择 点击进去选择搜索code Templates  点击选择出现下面的页面 点开comments,里面有给方法,变量 ,类等加注释设置的模板 如:点击Methods  ...

  6. 输出指令（echo指令和printf 命令）

    Shell echo命令 Shell 的 echo 指令与 PHP 的 echo 指令类似,都是用于字符串的输出.命令格式: echo string 您可以使用echo实现更复杂的输出格式控制. 1. ...

  7. shell中处理参数getopts命令

    一.getopts 简介 由于shell命令行的灵活性,自己编写代码判断时,复杂度会比较高.使用内部命令 getopts 可以很方便地处理命令行参数.一般格式为:getopts optstring n ...

  8. linux之网络命令

    本文整理了在实践过程中使用的Linux网络工具,这些工具提供的功能非常强大,我们平时使用的只是冰山一角,比如lsof.ip.tcpdump.iptables等. 本文不会深入研究这些命令的强大用法,因 ...

  9. IO框架：asyncio 上篇

    如何定义/创建协程 只要在一个函数前面加上 async 关键字,这个函数对象是一个协程,通过isinstance函数,它确实是Coroutine类型. from collections.abc imp ...

  10. 【hdu5517】Triple

    题目大意:给定一个二元组集合A{<a, b>}, 一个三元组集合B{<c, d, e>}, 定义 C 为 A 和 B 在 {b = e} 上的连接,求 C 集合中凸点的个数,即 ...