YOLOv4 PyTorch最强复现来了！

最新推荐文章于 2024-08-21 08:37:30 发布
最新推荐文章于 2024-08-21 08:37:30 发布
阅读量4.9k 收藏 43
点赞数
分类专栏： 目标检测 计算机视觉 卷积神经网络 文章标签： 人工智能 机器学习 计算机视觉 深度学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/amusi1994/article/details/107671028
版权
本文介绍了YOLOv4的PyTorch最强复现项目，由YOLOv4的共同作者Chien-Yao Wang开发。该项目基于ultralytics的YOLOv3实现，已接近原版性能，提供了s、m、l、x等多个版本，最高在COCO val set上达到48.5% mAP。此外，还分享了项目的优化和测试细节。
摘要由CSDN通过智能技术生成

作者：Amusi
原文链接：YOLOv4
最强PyTorch复现来了！

前言

从今年4月 YOLOv4正式发布后，很多同学经常在CVer 目标检测交流群中问：
“有没有同学复现YOLOv4的， 可以交流一下么”
“现在有没有很好复现YOLOv4的开源项目，可以分享一下么？”…

在这里插入图片描述

因为原版YOLO是基于C语言所写，光凭这一点就让不少同学望而却步。于是Amusi 上个月整理了：YOLOv4最全复现代码合集（含PyTorch/TF/Keras和Caffe等）

上述整理的项目虽然更新频率较高，复现相对较全，但还没有真正能接近原版YOLOv4的性能，不少项目中只给了代码，并没有给出自己在COCO上的训练结果。

在前几天Amusi 介绍百度推出的PP-YOLO文章中，提到了在COCO上能达到48.5% mAP的YOLOv4 PyTorch版本。不少同学追问是哪个项目，那么今天Amusi 就来正式介绍一下这个优质项目。截止

最低0.47元/天 解锁文章
Amusi（CVer）
关注
专栏目录
YOLOv5改进 | 注意力篇 | HAttention超分辨率重建助力小目标检测 (全网独家首发)
Snu77的博客
01-06 1818
本文给大家带来的改进机制是HAttention注意力机制，混合注意力变换器（HAT）的设计理念是通过融合通道注意力和自注意力机制来提升单图像超分辨率重建的性能。通道注意力关注于识别哪些通道更重要，而自注意力则关注于图像内部各个位置之间的关系。HAT利用这两种注意力机制，有效地整合了全局的像素信息，从而提供更为精确的结果(这个注意力机制挺复杂的光代码就700+行)，但是效果挺好的也是10月份最新的成果非常适合添加到大家自己的论文中。
YOLOv10改进 | 特殊场景检测篇 | 添加HAttention(HAT）超分辨率重建助力小目标检测 (全网首发，超分辨率检测)
Snu77的博客
07-11 1142
本文给大家带来的改进机制是HAttention注意力机制，混合注意力变换器（HAT）的设计理念是通过融合通道注意力和自注意力机制来提升单图像超分辨率重建的性能。通道注意力关注于识别哪些通道更重要，而自注意力则关注于图像内部各个位置之间的关系。HAT利用这两种注意力机制，有效地整合了全局的像素信息，从而提供更为精确的结果(这个注意力机制挺复杂的光代码就700+行)，但是效果挺好的也是10月份最新的成果非常适合添加到大家自己的论文中。YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录。
YOLO V4论文翻译及复现
rock4you
05-09 2466
论文标题：YOLOv4: Optimal Speed and Accuracy of Object Detection 下载地址：https://arxiv.org/abs/2004.10934 标题：YOLOv4：优化目标检测的速度和精度 摘要： 有大量的特征被认为可以提升卷积神经网络的精度。 将这些特征进行组合后在大规模数据集上进行实际的测试，并给出理论层面的正当理由，是必要的。 有些特征针对特定问题、特定模型，或者仅仅是针对小规模数据集起作用。 与此同时，有些特征，例如批标准..
重磅更新！YoloV4最新论文与源码!权重！结构！翻译!
sinat_39783664的博客
04-24 1万+
终于等到yolo最新系列：YOLO_V4。献上原论文和源码： 论文：https://pan.baidu.com/s/1_J17pIkPl7KwcR5Sr5HP-w 提取码：acdn 源码： GitHub：https://github.com/AlexeyAB/darknet 百度云：https://pan.baidu.com/s/1hEB0JS48Ax85Gnd6IL3new ...
YOLOv9mit 开源项目教程
最新发布
gitblog_00420的博客
08-21 746
YOLOv9mit 开源项目教程 yolov9mitAn MIT rewrite of YOLOv9项目地址:https://gitcode.com/gh_mirrors/yo/yolov9mit 项目介绍 YOLOv9mit 是一个基于 YOLO 系列的目标检测开源项目，由 WongKinYiu 开发。该项目在 YOLOv9 的基础上进行了优化和改进，引入了先进的算法和技术，以提高目标检测的准...
tiny识别不出 yolov4_GitHub - bubbliiiing/yolov4-tiny-pytorch: 这是一个YoloV4-tiny-pytorch的源码，可以用于训练自己的模型。...
weixin_39895977的博客
12-21 517
YOLOV4-Tiny：You Only Look Once-Tiny目标检测模型在Keras当中的实现目录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 0.5:0.95mAP 0.5VOC07+12+COCOVOC-Test07416x416-74.7COCO-Train2017COCO-Val2017416x41618.737.7所需环境torch==1.2.0注意事项代码中的y...
yolov4复现网络结构部分
雅痞匪徒(Nike)的博客
05-30 1175
首先推荐一篇文章：yolov3和yolov4的详解 这篇文章讲解的很详细了，我也是在某天正在看yolov4作者论文的时候发现一个公众号推送这篇文章，打开一看，瞬间对yolov4的整个网络结构了解了，之前看论文，其实对整个网络结构只有一个大概的理解，但是看完这篇文章之后，懂了，那么懂了之后，心中就开始蠢蠢欲动的想复现整个网络结构，于是就开始代码敲起来，敲起来之前，安利一个软件：netron，这个软件可以将yolov4的整个网络结构更加详细的以图表的形式表现出来，于是我就按照上面推荐的那篇文章以及推荐的软件显示
Pytorch 代码复现终极指南【收藏】
BeiErGeLaiDe的博客
03-02 1646
这两种方式得到的训练结果从第二个Epoch开始就是不同的，且val前后模型的weights没变，那应该就是生成的随机数变了。我在刚接触pytorch的时候搜到了这个大佬的文章，当时最后天坑部分没有看的太明白，直到今天我也遇到的相同的问题，特来做一点点补充，方便大家理解。设置完这些，基本99%的情况下都可以复现结果，如果无法复现，那就重启notebook 或者python。以上就是Pytorch代码的复现终极指南，保险起见的话，先把能加的都加上，然后看能否复现。强制每次train之前empty_cache；
YOLOv5系列(二十四) 本文(4万字) | 遗传算法实现超参数进化(Hyperparameter Evolution) | 利用K-means聚类以及遗传算法生成Anchor box |
weixin_44302770的博客
12-27 700
遗传算法是用于解决最优化问题的一种搜索算法。”适者生存，不适者淘汰“，将该理论以算法的形式表现出来就是遗传算法的过程。k-means是非常经典且有效的聚类方法，通过计算样本之间的距离（相似程度）将较近的样本聚为同一类别（簇）。使用k-means时主要关注两个问题（个人认为）：1.如何表示样本与样本之间的距离（核心问题），这个一般需要根据具体场景去设计，不同的方法聚类效果也不同，最常见的就是欧式距离。2.分为几类，这个也是需要根据应用场景取选择的，也是一个超参数。1 手动设定簇的个数k，假设k=2。
深度学习系列资料总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
yolov4-paspp.pt
08-05
YOLO V4的paspp版本权重（weights）文件，官方github下载代码后，将此文件直接放进代码目录中的weights文件夹内即可跑通。
yolov4-pacsp.pt
08-05
YOLO V4的pacsp版本权重（weights）文件，官方github下载代码后，将此文件直接放进代码目录中的weights文件夹内即可跑通。
yolov4.weights
05-01
本文件为yolov4官方GitHub仓库内的COCO训练集的训练出模型，可直接用于COCO数据集的检测，也可以用于验证yolov4论文中的数据。
yolo4-keras.zip（内涵yolov4权重下载）
05-07
yolov4 keras 版本。（内涵权重下载） 运行前阅读运行文档
yolov3 yolov3-tiny yolov4 yolov-tiny预训练模型下载
09-22
yolov3-tiny预训练 yolov3预训练 yolov4 预训练yolov4-tiny预训练模型，全部打包在压缩文件
【yolov4-tiny】二、pytorch-＞onnx-＞caffe
加盐
04-07 2274
一、Pytorch->onnx 使用https://github.com/bubbliiiing/yolov4-tiny-pytorch，训练，导出onnx import torch.onnx import onnx from onnxsim import simplify yolo = YOLO() model = yolo.net x = torch.randn(1,3,416,416) out_name = "yolov4-tiny_pytorch.onnx" torch.onnx.expor
【目标检测】PyTorch版YOLOv4项目介绍
qq_25692343的博客
10-05 1290
文章原文出处 https://mp.weixin.qq.com/s/3ItH0swoicI_gMmfkHHClQ. 背景知识 YOLO v4框架采用C语言作为底层代码。 近日，有研究者在 GitHub 上开源了一个项目：基于 PyTorch 深度学习框架的 YOLOv4 复现版本，该版本基于 YOLOv4 作者给出的实现 AlexeyAB/darknet，并在 PASCAL VOC、COCO 和自定义数据集上运行。 项目介绍 项目地址: https://github.com/argusswift/YOLOv
pytorch yolo4训练任意训练集
cp1314971的博客
07-29 2893
摘要 这几天刚出的pytorch版本的yolo4，训练测试一下看下效果，pytorch yolo4连接， 数据集准备 第一步先生成yolo统一的格式txt文件， import os name=os.listdir('./image') for i in range(len(name)): name[i]='./coco/images/train2017/'+name[i] file = open('./train2017.txt', 'w') for i in range(len(name)):
yolov4 pytorch代码复现
06-28
### 回答1： 您好，以下是使用PyTorch复现YOLOv4的代码： 1. 首先，您需要下载YOLOv4的权重文件，可以从以下链接中下载： https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights 2. 接下来，您需要安装PyTorch和OpenCV库，可以使用以下命令进行安装： ``` pip install torch pip install opencv-python ``` 3. 然后，您可以使用以下代码加载YOLOv4的权重文件并进行目标检测： ``` import cv2 import torch import numpy as np # 加载YOLOv4的权重文件 model = torch.hub.load('ultralytics/yolov5', 'yolov4', pretrained=True) # 加载图像 img = cv2.imread('test.jpg') # 进行目标检测 results = model(img) # 显示检测结果 results.show() ``` 其中，'test.jpg'是您要进行目标检测的图像文件名。 希望以上代码能够帮助到您。 ### 回答2： YOLOv4是目前最先进的物体检测算法之一，它结合了YOLOv3 和 Scaled-YOLOv4的优势，具有更高的召回率和准确度。PyTorch是一种常用的深度学习框架，可以快速实现深度学习算法。 实现YOLOv4的方法有多种，其中一种是基于开源代码进行复现。 首先，需要准备数据集。数据集应包含图片和对应的标签，标签一般以XML或JSON格式保存。YOLOv4要求输入的图片尺寸是416x416，因此需要对原始图片进行缩放。可以使用OpenCV库来实现。 然后，需要下载YOLOv4的预训练模型文件。可以从互联网上下载Darknet和PyTorch版本的模型文件。Darknet版本的模型文件通常以.weights格式保存，而PyTorch版本的模型文件通常以.pt格式保存。这两种格式都可以通过相应的代码进行加载和转换。 接下来，需要编写Python程序来实现YOLOv4的物体检测功能。可以使用PyTorch和其它相关库来实现。具体的代码实现可以分为以下几步： 1. 加载预训练模型 利用PyTorch中的torch.load函数，将预训练模型加载到内存中。 2. 定义模型 定义模型的结构，包括卷积层、池化层、残差块和最终的检测层。 3. 加载图片和标签 使用相应的库读取图片和标签，并将其转换为张量形式。 4. 图像预处理 对图片进行预处理，包括缩放、裁剪、归一化和转换为张量形式。 5. 模型推理 将图片输入模型，获取物体检测的结果。检测结果包括物体类别、位置和置信度。 6. 后处理 将检测结果进行后处理，包括筛选、非极大值抑制和将边界框转换为坐标形式。 最后，运行程序即可实现YOLOv4的物体检测功能。需要注意的是，YOLOv4的精度和速度都非常高，但是在硬件资源和算法优化方面的要求也比较高。为了实现最佳的检测效果，需要进行一系列的细节优化。 ### 回答3： YOLOv4是一个非常流行的目标检测模型，由于其高效性能和较高的准确率，成为了许多研究人员的选择。在本文中，我们将介绍如何使用PyTorch复现YOLOv4的代码。 1. 数据集的准备： 在复现YOLOv4模型之前，我们需要准备一个数据集来训练模型。数据集应该包含许多训练图片和对应的标注信息。通常情况下，标注信息包括每张图片中目标的类别、位置和大小信息。 2. 下载YOLOv4的模型代码： 使用以下命令从GitHub上下载YOLOv4的代码： ``` !git clone https://github.com/WongKinYiu/yolov4-pytorch.git ``` 3. 修改文件夹结构： 为了更好地适应我们的数据集，我们需要修改YOLOv4代码库的文件夹结构。在代码库的“data”目录下新建“custom”目录，将训练数据集拷贝至该目录下，并在“data/custom”目录下创建“images”和“labels”两个子目录，分别存放数据集的图片和标注信息。 4. 修改配置文件： 在“cfg”目录下找到“yolov4.cfg”文件，修改该文件以适应我们的数据集。具体来说，需要将模型的输入大小修改为我们训练数据集的大小，修改检测头的类别数量为我们数据集中目标的种类数。 5. 训练模型： 要训练模型，我们需要运行如下命令： ``` !python train.py --cfg cfg/yolov4.cfg --data data/custom/custom.data --weights '' --name yolov4-custom ``` 其中，“--cfg”指定配置文件路径，“--data”指定数据集信息文件路径，“--name”指定训练模型的名称。 6. 应用模型： 我们可以使用训练得到的模型来检测新的图片。运行以下命令即可进行检测： ``` !python detect.py --weights checkpoints/yolov4-custom.pth --img-size 416 --conf-thres 0.3 --source data/samples/ ``` 其中，“--weights”指定使用的模型路径，“--img-size”指定输入图片的大小，“--conf-thres”指定过滤掉置信度较低的边界框，“--source”指定检测的图片路径。 在以上过程中，我们可以根据实际情况进行修改以适应我们的数据集。通过修改数据集、配置文件和运行命令，我们可以使用PyTorch复现YOLOv4模型，从而实现目标检测的应用。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值