环境准备
环境设置
GPU:GeForce GTX 1080Ti (12GB)
python:3.8.12
Paddle:2.1
PaddleDetection下载
通过如下git clone
命令下载PaddleDetection目标检测库。
git clone https://github.com/PaddlePaddle/PaddleDetection # 下载PaddleDetection目标检测库
安装PaddleDetection依赖库
通过如下方式安装PaddleDetection依赖。
cd PaddleDetection/
pip install -r requirements.txt # requirements.txt列出了PaddleDetection的所有依赖库
pip install Cython pycocotools
数据准备
PaddleDetection提供了COCO、VOC等数据集下载脚本如dataset/coco/download.py
,通过此脚本可自动下载对应数据集。
COCO的
train
数据集较大,训练比较耗时,本项目将训练集和验证集划分构建MINI_COCO数据集。
python dataset/coco/download_coco.py # coco数据集下载脚本
python dataset/coco/split_coco.py # 构建MINI_COCO数据集
python dataset/voc/download_coco.py # VOC数据集下载脚本
对于VOC数据集,我们还需要通过脚本dataset/voc/creat_list.py
构建test.txt
和test.txt
文件
python dataset/voc/creat_list.py # 构建txt文件
模型训练与评估
VOC数据集
本项目选取yolov3_darknet.yml
作为本项目的训练配置文件。该配置文件选取的是YOLOv3_darknet
模型,骨干网络为DarkNet
,yolo_head为YOLOv3Head
。
对于VOC数据集,我们不需要修改配置文件,直接用脚本运行,进行训练及评估。
python tools/train.py -c configs/yolov3/yolov3_darknet53_270e_cocoval.yml #训练VOC数据集
python -u tools/eval.py -c configs/yolov3/yolov3_darknet53_270e_cocoval.yml #评估yolov3_darknet模型
最终评估结果如下图所示:
从上图中,可以看出yolov3_darknet
模型在VOC
数据集上的
mAP
=
74.42
,
FPS
=
15.79
\text{mAP}=74.42,\quad \text{FPS}=15.79%
mAP=74.42,FPS=15.79。
更多推荐
Paddle实现YOLOv3 目标检测
发布评论