• YOLOv4说明
• 模型架构
• 预训练模型
• 数据集
• • 评估过程
  • • 验证

YOLOv4说明

YOLOv4作为先进的检测器，它比所有可用的替代检测器更快（FPS）并且更准确（MS COCO AP50 ... 95和AP50）。
本文已经验证了大量的特征，并选择使用这些特征来提高分类和检测的精度。
这些特性可以作为未来研究和开发的最佳实践。

论文：
Bochkovskiy A, Wang C Y, Liao H Y M. YOLOv4: Optimal Speed and Accuracy of Object Detection[J]. arXiv preprint arXiv:2004.10934, 2020.

模型架构

选择CSPDarknet53主干、SPP附加模块、PANet路径聚合网络和YOLOv4（基于锚点）头作为YOLOv4架构。

预训练模型

YOLOv4需要CSPDarknet53主干来提取图像特征进行检测。 您可以从这里获取到在ImageNet2012上训练的预训练模型。

数据集

使用的数据集：COCO2017
支持的数据集：[COCO2017]或与MS COCO格式相同的数据集
支持的标注：[COCO2017]或与MS COCO相同格式的标注

• 目录结构如下，由用户定义目录和文件的名称：

      ├── dataset
          ├── YOLOv4
              ├── annotations
              │   ├─ train.json
              │   └─ val.json
              ├─train
              │   ├─picture1.jpg
              │   ├─ ...
              │   └─picturen.jpg
              ├─ val
                  ├─picture1.jpg
                  ├─ ...
                  └─picturen.jpg
  

• 本地运行

  # training_shape参数用于定义网络图像形状，默认为
                     [416, 416],
                     [448, 448],
                     [480, 480],
                     [512, 512],
                     [544, 544],
                     [576, 576],
                     [608, 608],
                     [640, 640],
                     [672, 672],
                     [704, 704],
                     [736, 736].
  # 意思是使用11种形状作为输入形状，或者可以设置某种形状。
  
  # 使用python命令执行单尺度训练示例（1卡）
  python train.py \
      --data_dir=./dataset/xxx \
      --pretrained_backbone=cspdarknet53_backbone.ckpt \
      --is_distributed=0 \
      --lr=0.1 \
      --t_max=320 \
      --max_epoch=320 \
      --warmup_epochs=4 \
      --training_shape=416 \
      --lr_scheduler=cosine_annealing > log.txt 2>&1 &
  
  # 使用shell脚本执行单尺度单机训练示例（1卡）
  bash run_standalone_train.sh dataset/xxx cspdarknet53_backbone.ckpt
  
  # 在Ascend设备上，使用shell脚本执行多尺度分布式训练示例（8卡）
  bash run_distribute_train.sh dataset/xxx cspdarknet53_backbone.ckpt rank_table_8p.json
  
  # 使用python命令评估
  python eval.py \
      --data_dir=./dataset/xxx \
      --pretrained=yolov4.ckpt \
      --testing_shape=608 > log.txt 2>&1 &
  
  # 使用shell脚本评估
  bash run_eval.sh dataset/xxx checkpoint/xxx.ckpt
  

• ModelArts上训练

评估过程

验证

python eval_xml.py  --xml_dir  ../data_1220/test  \ 
                  --jpg_src_path ../data_1220/test \
                  --predict_result ./predict_result \
                  --pretrained  ./outputs/2022-12-20_time_14_35_45_mosaic_nopre_0.527/ckpt_0/best_map.ckpt
                  

推理结果保存在脚本执行的当前路径，可以在acc.log中看到精度计算结果。

=============coco eval reulst=========
Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.646
Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.919
Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.788
Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.549
Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.679
Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.636
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.304
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.640
Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.698
Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.624
Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.724
Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.676