基于飞桨复现ScaledYOLOv4_train2017.cache

ScaledYOLOv4-Paddle

ScaledYOLOv4(论文点此)主要在YOLOv4上针对不同计算设备优化其推理速度而提出的一些缩放模型。与先前的EfficientDet不同（参见目标检测：基于Paddle框架的EfficientDet论文复现），EfficientDet 无非是首先选择网络基础模块，它往往又好又快，然后针对影响目标检测的重要参数如：网络宽度w、深度d、输入图像分辨率size等进行（满足一定条件下按照一定规律）调参。

ScaledYOLOv4针对不同的GPU设计不同模型。思路依然是寻找基础模块，然后调整网络宽度w、深度d、输入图像分辨率

• 对于传统的大多数GPU环境，作者选取CSPDarknet53优化后的模型作为backbone。

• 针对嵌入式平台的GPU算力，作者设计了YOLOv4-tiny

• 对于高端GPU，例如AIStudio提供的Tesla V100，作者设计了YOLOv4-Large，通过提高输入图像分辨率和增加stage的方式提高模型精度

数据文件准备

数据集已挂载至aistudio项目中，如果需要本地训练可以从这里下载数据集，和标签文件

数据集目录大致如下，可根据实际情况修改

Data
|-- coco
|   |-- annotions
|   |-- images
|      |-- train2017
|      |-- val2017
|      |-- test2017
|   |-- labels
|      |-- train2017
|      |-- val2017
|      |-- train2017.cache(初始解压可删除，训练时会自动生成)
|      |-- val2017.cache(初始解压可删除，训练时会自动生成)
|   |-- test-dev2017.txt
|   |-- val2017.txt
|   |-- train2017.txt
`   `-- validation
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

训练

单卡训练

python train.py --batch-size 8 --img 896 896 --data coco.yaml --cfg yolov4-p5.yaml --weights '' --sync-bn --device 0 --name yolov4-p5
1

多卡训练

python train_multi_gpu.py --batch-size 12 --img 896 896 --data coco.yaml --cfg yolov4-p5.yaml --weights '' --sync-bn --name yolov4-p5 --notest
1

多卡训练项目已提交至脚本任务ScaledYOLOv4

多卡训练日志以及模型可在此处下载，提取码：mxz8

验证

确保已安装pycocotools

pip install pycocotools
1

python test.py --img 896 --conf 0.001 --batch 8  --data coco.yaml --weights scaledyolov4.pdparams
1

需要注意到，在test.py的58行指定模型配置文件路径model = Model('/home/aistudio/ScaledYOLOv4-yolov4-large/models/yolov4-p5.yaml', ch=3, nc=80)以及227行的标签路径cocoGt = COCO(glob.glob('/home/aistudio/Data/coco/annotations/instances_val2017.json')[0])，运行后会出现test_batch0_gt.jpg和test_batch0_pred.jpg

验证结果如下所示

**GroundTruth** **Pred**

验证完成后会生成detections_val2017__results.json并打印验证信息

推理

python detect.py
1

与验证相同，你需要指定detec.py中33行模型配置文件路径，在inference下放置了一些测试图像，运行结果将会保存在inference/output文件夹下

GitHub地址

训练Custom数据集

这里我以一个简单的YOLO格式光栅数据集为例，数据集已上传至AIStudio

其组织结构如下：

Data
|-- guangshan
|   |-- images
|      |-- train
|      |-- val
|   |-- labels
|      |-- train
|      |-- val
|   |-- val.txt
|   |-- train.txt
1
2
3
4
5
6
7
8
9
10

另外你需要构建ScaledYOLOv4-Paddle/models/guangshan-yolov4-p5.yaml和ScaledYOLOv4-Paddle/models/guangshan-yolov4-p5.yaml，相关文件已放入相关目录，主要用于指定数据集读取路径和模型配置。

训练

python train.py --batch-size 8 --img 512 512 --data guangshan.yaml --cfg guangshan-yolov4-p5.yaml --weights '' --sync-bn --device 0 --name yolov4-p5 --notest
1

测试

python test.py --img 512 --conf 0.001 --batch 8  --data guangshan.yaml --weights guangshan.pdparams
1

注意到你需要修改test.py中配置文件的路径，并注释model.fuse()

               Class      Images     Targets           P           R      mAP@.5  mAP@.5:.95: 100%|██████████████████████████████████████████████| 2/2 [00:05<00:00,  2.69s/it]
                 all          16          29       0.104           1       0.995       0.714
1
2

推理

创建推理的文件目录如下

guangshan
|-- images
|-- output
1
2
3

python detect.py
1

注意到你需要修改test.py中配置文件的路径，并注释model.fuse()

推理结果保存在ScaledYOLOv4-Paddle/guangshan/output，推理展示如下：

标签

推理

TODO

• 代码优化
• 打印信息优化

关于作者

如有错误，请及时留言纠正，非常蟹蟹！
后续会有更多论文复现系列推出，欢迎大家有问题留言交流学习，共同进步成长！