2021-05-19 darknety优化

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