我们已经为您准备好复现该模型所需的环境,您可以创建实例、一键复用哦!

模型的使用文档涵盖模型所需环境、模型简介以及复现模型的具体步骤。模型效果和模型详细来源可以点击论文地址和模型来源链接查看哦~

Scaled-YOLOv4

2022-02-15 model:scaled-yolov4-ubuntu18.04-cuda11.1.1-cudnn8-python3.8-pytorch1.8.0-new

模型标签
目标检测图像分类智慧医疗智慧交通/自动驾驶安防监控

模型简介

模型介绍:Scaled-YOLOv4将模型分为输入、backbone、neck、预测部分,其中Dense Prediction加前三部分为one-stage检测模型框架,Sparse Predition加前三部分为two-stage检测模型框架。这里的Neck部分主要指的是网络中对backbone提取的特征进行多尺度融合(如FPN等)或者进一步处理(注意力机制等)。 《Scaled-YOLOv4: Scaling Cross Stage Partial Network》出自CVPR2021由Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao创作而成。官方论文:https://arxiv.org/abs/2011.08036v2



1. 使用方法

1.1. 模型推断

进入终端,在root/ScaledYOLOv4(默认)路径下,运行以下命令:

python detect.py 

1.2. 模型训练

进入终端,在root/ScaledYOLOv4(默认)路径下,运行以下命令:

python test.py --img 896 --conf 0.001 --batch 8 --device 0 --data coco.yaml --weights weights/yolov4-p5.pt
参数 说明
img 待检测图片数量
conf 置信区间
batch 批次数量
device 指定GPU
data 数据集的yaml文件路径
weights 权重文件路径

1.3. 模型测试

进入终端,在root/ScaledYOLOv4(默认)路径下,运行以下命令: python -m torch.distributed.launch --nprocpernode 4 train.py --batch-size 64 --img 896 896 --data coco.yaml --cfg yolov4-p5.yaml --weights '' --sync-bn --device 0,1,2,3 --name yolov4-p5

分布式训练需要多卡运行,按需修改指定的device

python test.py \
--img 896 \
--conf 0.001 \
--batch 8 \
--device 0 \
--data data/coco2017_yolov5.yaml \
--weights weights/yolov4-p5.pt

2. 模型来源

https://github.com/WongKinYiu/ScaledYOLOv4