[目标检测]——YOLOv3

代码下载：链接：百度网盘 请输入提取码  提取码：50r2

论文下载：链接：百度网盘 请输入提取码 提取码：c1bg

YOLOv3网络结构：

Darknet-53，正如其名，它包含53个卷积层，每个后面跟随着batch normalization层和leaky ReLU层。没有池化层，使用步幅为2的卷积层替代池化层进行特征图的降采样过程，这样可以有效阻止由于池化层导致的低层级特征的损失。

注：预处理时使用1*1的卷积核主要是为了增加通道数。

网络介绍：Darknet的非线性激活函数采用leaky_relu，而非relu了。YOLOv3详解 - 简书 (jianshu.com)https://www.jianshu.com/p/043966013dde

代码配置相关

注：基础配置可参考本人博客：(2条消息) [目标检测]——YOLOv5模型使用记录_Star星屹程序设计的博客-CSDN博客https://blog.csdn.net/weixin_42067873/article/details/118385070

1、pic.yaml数据文件配置

这里指定路径的时候，train、val、test文件是在voc_labels运行后生成的文件；配置路径时需要注意：这里的当前路径是该项目的当前路径，比如本项目是：F:/yolos/yolov3-master

 2、部分超参数含义

lr0: 学习率
lrf: 余弦退火超参数 (CosineAnnealing）
momentum: 学习率动量
weight_decay: 权重衰减系数
warmup_epochs: 预热学习epoch
warmup_momentum: 预热学习率动量
warmup_bias_lr: 预热学习率
box: giou损失的系数
cls: 分类损失的系数
cls_pw: 分类BCELoss中正样本的权重
obj: 有无物体损失的系数
obj_pw: 有无物体BCELoss中正样本的权重
iou_t: 标签与anchors的iou阈值iou training threshold   

3、训练结果生成

注：一般训练结果主要观察精度和召回率波动情况（波动不是很大则训练效果较好），然后观察mAP@0.5 & mAP@0.5:0.95 评价训练结果

yolov3每次train完成（如果没有中途退出）都会在run目录下生成expX目录（X代表生成结果次数 第一次训练完成生成exp0 第二次生成exp1......以此类推）

expX目录下会保存训练生成weights以及result.txt（其中weights是训练生成权重，可用于detect），并以可视化的方式展示训练结果 -> result.png

• Objectness：推测为目标检测loss均值，越小目标检测越准；

• Classification：推测为分类loss均值，越小分类越准；

• Precision：精度（找对的正类/所有找到的正类）；

  

• Recall：召回率（找对的正类/所有本应该被找对的正类）；

•  mAP@0.5 & mAP@0.5:0.95：mAP是用Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值，@0.5:0.95表示阈值取0.5:0.05:0.95后取均值。