AlexeyAB/darknet
怎样看FPS
- 设置 Makefile文件GPU=1 CUDNN=1 CUDNN_HALF=1 OPENCV=1
- 下载yolov4.weights 245MB
- 避免CPU性能瓶颈,画质不超过1920x1080,准备任意 .avi/.mp4 video file
- 两条命令选一个,来看 AVG FPS应该是视频刷新率
include video_capturing + NMS + drawing_bboxes:
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -dont_show -ext_output
exclude video_capturing + NMS + drawing_bboxes:
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -benchmark
预训练模型
有不同cfg-files的权重文件(由MS COCO数据集训练得到的)
FPS:(R)是RTX2070 (V)是TeslaV100
- yolo4X-mish.cfg-- 640x640 - 67.9% mAP@0.5 (49.4% AP@0.5:0.95) - 23® FPS / 50(V) FPS - 221 BFlops (110 FMA) - 381 MB: yolov4x-mish.weights
- yolov4-csp.cfg - 202 MB: yolov4-csp.weights paper Scaled Yolo v4
可变width、height - yolov4-tiny.cfg yolov4-tiny.weights
- enet-coco.cfg enetb0-coco_final.weights
- yolov3-openimages.cfg yolov3-openimages.weights
requirements
其他框架frameworks
Datasets数据集
- MS COCO: 获取命令 ./scripts/get_coco_dataset.sh
- Openmages:python ./scripts/get_openimages_dataset.py
- Pascal VOC:python ./scripts/voc_label.py
- ILSVRC2012:./scripts/get_imagenet_train.sh
- German/Belgium/Russian/LISA/MASTIF Traffic Sign Datasets for Detection - use this parsers: https://github.com/angeligareta/Datasets2Darknet#detection-task
- 其他数据集https://github.com/AlexeyAB/darknet/tree/master/scripts#datasets
improvement改进
Android smartphone
Yolo v4 COCO-model: darknet.exe detector demo data/coco.data yolov4.cfg yolov4.weights http://192.168.0.80:8080/video?dummy=param.mjpg -i 0
darknet.exe detector map…
建议训练的时候带上-map,可以画图
提升检测效果
random=1可以设置适应多分辨率
提升分辨率:416--> 608等必须是32倍数
重新计算你的数据集的anchor:(注意设置的时候计算问题)
darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416
检查数据集通过https://github.com/AlexeyAB/Yolo_mark
数据集最好每个类有2000张图片,至少需要迭代2000*类的个数
数据集最好有没有标注的对象,即负样本,对应空的txt文件,最好有多少样本就设计多少负样本。
对于一张图有很多个样本的情况,使用max=200属性(yolo层或者region层)
for training for small objects - set layers = -1, 11 instead of https://github.com/AlexeyAB/darknet/blob/6390a5a2ab61a0bdf6f1a9a6b4a739c16b36e0d7/cfg/yolov3.cfg#L720 and set stride=4 instead of https://github.com/AlexeyAB/darknet/blob/6390a5a2ab61a0bdf6f1a9a6b4a739c16b36e0d7/cfg/yolov3.cfg#L717
训练数据需要满足以下条件:
train_network_width * train_obj_width / train_image_width ~= detection_network_width * detection_obj_width / detection_image_width
train_network_height * train_obj_height / train_image_height ~= detection_network_height * detection_obj_height / detection_image_height
为了加速训练,可以做fine-tuning而不是从头开始训练,设置stopbackward=1在网络的结束部分(以####作为分割)
在训练完以后,进行目标检测的时候,可以提高网络的分辨率,以便刚好检测小目标。
不需要重新训练,需要使用原先低分辨率的权重,测用更高分辨率。
为了得到更高的检测效果,可以提升分辨率至608*608甚至832*832
总结
为了小目标:
提升分辨率
在测试时候提升分辨率
数据集添加跟正样本数量一样多的负样本
数据集每个类至少2000张,训练迭代次数2000*classes个数
设置自己数据集的anchor
AlexeyAB大神改进
web-cam版本:
./darknet detector demo … -json_port 8070 -mjpeg_port 8090
计算mAP, F1, IoU, Precision-Recall
./darknet detector map …
展示map-loss曲线(需要opencv)
./darknet detector train cfg/voc.data cfg/yolo.cfg -dont_show -mjpeg_port 8090 -map
计算聚类产生的anchor
./darknet detector calc_anchors data/voc.data -num_of_clusters 12 -width 608 -height 608
分离前部基础网络
./darknet partial cfg/darknet19_448.cfg darknet19_448.weights darknet19_448.conv.23 23
测试opencv
./darknet imtest data/eagle.jpg
阈值设置
-thresh 0