README.md

    Efficientdet:Scalable and Efficient Object目标检测模型在Pytorch当中的实现


    2021年10月12日更新:
    进行了大幅度的更新,对代码的模块进行修改,加了大量注释。

    目录

    1. 性能情况 Performance
    2. 所需环境 Environment
    3. 文件下载 Download
    4. 注意事项 Attention
    5. 预测步骤 How2predict
    6. 训练步骤 How2train
    7. 评估步骤 How2eval
    8. 参考资料 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
    COCO-Train2017 efficientdet-d0.pth COCO-Val2017 512x512 33.1
    COCO-Train2017 efficientdet-d1.pth COCO-Val2017 640x640 38.8
    COCO-Train2017 efficientdet-d2.pth COCO-Val2017 768x768 42.1
    COCO-Train2017 efficientdet-d3.pth COCO-Val2017 896x896 45.6
    COCO-Train2017 efficientdet-d4.pth COCO-Val2017 1024x1024 48.8
    COCO-Train2017 efficientdet-d5.pth COCO-Val2017 1280x1280 50.2
    COCO-Train2017 efficientdet-d6.pth COCO-Val2017 1408x1408 50.7
    COCO-Train2017 efficientdet-d7.pth COCO-Val2017 1536x1536 51.2

    所需环境

    torch==1.2.0

    文件下载

    训练所需的pth可以在百度网盘下载。
    包括Efficientdet-d0到d7所有权重。
    链接: https://pan.baidu.com/s/1Kvv526YYSDJEf9BzWfIb3Q
    提取码: f9g3

    VOC数据集下载地址如下,里面已经包括了训练集、测试集、验证集(与测试集一样),无需再次划分:
    链接: https://pan.baidu.com/s/1YuBbBKxm2FGgTU5OfaeC5A
    提取码: uack

    训练步骤

    a、训练VOC07+12数据集

    1. 数据集的准备
      本文使用VOC格式进行训练,训练前需要下载好VOC07+12的数据集,解压后放在根目录

    2. 数据集的处理
      修改voc_annotation.py里面的annotation_mode=2,运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。

    3. 开始网络训练
      train.py的默认参数用于训练VOC数据集,直接运行train.py即可开始训练。

    4. 训练结果预测
      训练结果预测需要用到两个文件,分别是efficientdet.py和predict.py。我们首先需要去efficientdet.py里面修改model_path以及classes_path,这两个参数必须要修改。
      model_path指向训练好的权值文件,在logs文件夹里。
      classes_path指向检测类别所对应的txt。

      完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。

    b、训练自己的数据集

    1. 数据集的准备
      本文使用VOC格式进行训练,训练前需要自己制作好数据集,
      训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
      训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。

    2. 数据集的处理
      在完成数据集的摆放之后,我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。
      修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path,classes_path用于指向检测类别所对应的txt。
      训练自己的数据集时,可以自己建立一个cls_classes.txt,里面写自己所需要区分的类别。
      model_data/cls_classes.txt文件内容为:

    cat
    dog
    ...

    修改voc_annotation.py中的classes_path,使其对应cls_classes.txt,并运行voc_annotation.py。

    1. 开始网络训练
      训练的参数较多,均在train.py中,大家可以在下载库后仔细看注释,其中最重要的部分依然是train.py里的classes_path。
      classes_path用于指向检测类别所对应的txt,这个txt和voc_annotation.py里面的txt一样!训练自己的数据集必须要修改!
      修改完classes_path后就可以运行train.py开始训练了,在训练多个epoch后,权值会生成在logs文件夹中。

    2. 训练结果预测
      训练结果预测需要用到两个文件,分别是efficientdet.py和predict.py。在efficientdet.py里面修改model_path以及classes_path。
      model_path指向训练好的权值文件,在logs文件夹里。
      classes_path指向检测类别所对应的txt。

      完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。

    预测步骤

    a、使用预训练权重

    1. 下载完库后解压,在百度网盘下载权值,放入model_data,运行predict.py,输入
    img/street.jpg
    1. 在predict.py里面进行设置可以进行fps测试和video视频检测。

    b、使用自己训练的权重

    1. 按照训练步骤训练。
    2. 在efficientdet.py文件里面,在如下部分修改model_path和classes_path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
    _defaults = {
        #--------------------------------------------------------------------------#
        #   使用自己训练好的模型进行预测一定要修改model_path和classes_path!
        #   model_path指向logs文件夹下的权值文件,classes_path指向model_data下的txt
        #   如果出现shape不匹配,同时要注意训练时的model_path和classes_path参数的修改
        #--------------------------------------------------------------------------#
        "model_path"        : 'model_data/efficientdet-d0.pth',
        "classes_path"      : 'model_data/coco_classes.txt',
        #---------------------------------------------------------------------#
        #   用于选择所使用的模型的版本,0-7
        #---------------------------------------------------------------------#
        "phi"               : 0,
        #---------------------------------------------------------------------#
        #   只有得分大于置信度的预测框会被保留下来
        #---------------------------------------------------------------------#
        "confidence"        : 0.3,
        #---------------------------------------------------------------------#
        #   非极大抑制所用到的nms_iou大小
        #---------------------------------------------------------------------#
        "nms_iou"           : 0.3,
        #---------------------------------------------------------------------#
        #   该变量用于控制是否使用letterbox_image对输入图像进行不失真的resize,
        #   在多次测试后,发现关闭letterbox_image直接resize的效果更好
        #---------------------------------------------------------------------#
        "letterbox_image"   : False,
        #---------------------------------------------------------------------#
        #   是否使用Cuda
        #   没有GPU可以设置成False
        #---------------------------------------------------------------------#
        "cuda"              : True
    }
    1. 运行predict.py,输入
    img/street.jpg
    1. 在predict.py里面进行设置可以进行fps测试和video视频检测。

    评估步骤

    a、评估VOC07+12的测试集

    1. 本文使用VOC格式进行评估。VOC07+12已经划分好了测试集,无需利用voc_annotation.py生成ImageSets文件夹下的txt。
    2. 在efficientdet.py里面修改model_path以及classes_path。model_path指向训练好的权值文件,在logs文件夹里。classes_path指向检测类别所对应的txt。
    3. 运行get_map.py即可获得评估结果,评估结果会保存在map_out文件夹中。

    b、评估自己的数据集

    1. 本文使用VOC格式进行评估。
    2. 如果在训练前已经运行过voc_annotation.py文件,代码会自动将数据集划分成训练集、验证集和测试集。如果想要修改测试集的比例,可以修改voc_annotation.py文件下的trainval_percent。trainval_percent用于指定(训练集+验证集)与测试集的比例,默认情况下 (训练集+验证集):测试集 = 9:1。train_percent用于指定(训练集+验证集)中训练集与验证集的比例,默认情况下 训练集:验证集 = 9:1。
    3. 利用voc_annotation.py划分测试集后,前往get_map.py文件修改classes_path,classes_path用于指向检测类别所对应的txt,这个txt和训练时的txt一样。评估自己的数据集必须要修改。
    4. 在efficientdet.py里面修改model_path以及classes_path。model_path指向训练好的权值文件,在logs文件夹里。classes_path指向检测类别所对应的txt。
    5. 运行get_map.py即可获得评估结果,评估结果会保存在map_out文件夹中。

    Reference

    https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch
    https://github.com/Cartucho/mAP

    项目简介

    🚀 Github 镜像仓库 🚀

    源项目地址

    https://github.com/bubbliiiing/efficientdet-pytorch

    发行版本 1

    Weights of efficientdet

    全部发行版

    贡献者 1

    B Bubbliiiing @Bubbliiiing

    开发语言

    • Python 100.0 %