yolov2训练_PyTorch实现Yolov2&Yolov3的总结

终于用PyTorch在pascal voc上面比较完整地复现了Yolov2和Yolov3。

一个月前实现了Yolov2，效果比当时基于PyTorch实现的最佳高2.35%（在416x416的输入尺寸下，当时的最佳实现mAP为73.05%，我实现的为75.4%）。后来就一直在实现Yolov3，折腾了一个月，Yolov3的效果基本对齐了darknet版本的Yolov3效果。

---

github上面基于PyTorch实现得较好的Yolov3有如下repo：

ayooshkathuria/pytorch-yolo-v3：1124 star，不支持训练；

eriklindernoren/PyTorch-YOLOv3：807 star，"Data augmentation as well as additional training tricks remains to be implemented"；

BobLiu20/YOLOv3：269 star，支持训练，但是没说训练后的效果，稍微看了一下，yololoss实现有问题，训练效果应该不会好；

andy-yun/pytorch-0.4-yolov3：191 star，支持训练，没说训练后的效果。

以上repo要么不能训练，要么没说训练后的效果。

---

实现Yolov2和Yolov3的过程对于理解目标检测很有帮助，基本上把目标检测pipeline上的每一个细节都过了一遍。为了提高到darknet的效果，需要不断地看darknet的实现，然后一个一个跟PyTorch里面的实现对齐。

在实现的过程还看了几遍GluonCV实现的Yolov3，GluonCV实现的Yolov3相比darknet实现的Yolov3多了一些trick，比如mixup、label smoothing等等，这些trick是“超越经典”的关键。

---

实现代码如下：

https://github.com/Tencent/ObjectDetection-OneStageDet​github.com