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~

YOLOv3(mmdetection)

2022-09-01 model:mmdetection-ubuntu18.04-cuda11.0-cudnn8-python3.8-pytorch1.7.0-new

模型标签
目标检测安防监控智慧交通/自动驾驶

模型简介

YOLOv3模型于2018年由开发者Joseph Redmon,Ali Farhadi在《YOLOv3: An Incremental Improvement》首次提出。YOLOv3主要的改进有:调整了网络结构;利用多尺度特征进行对象检测;对象分类用Logistic取代了softmax。在基本的图像特征提取方面,YOLO3采用了称之为Darknet-53的网络结构(含有53个卷积层),它借鉴了残差网络residual network的做法,在一些层之间设置了快捷链路(shortcut connections)。提升了mAP及小物体检测效果。官方论文:https://arxiv.org/pdf/1804.02767v1.pdf


1. 使用方法

1.1. 准备数据集

进入终端中,在root/mmdetection(默认)路径下,输入:

mkdir data
cd data 
mkdir coco
# 新建存放数据集的文件夹
cd ../../..
# 进入根目录
cp -r datasets/coco2017/annotations ../../../root/mmdetection/data/coco
cp -r datasets/coco2017/train2017 ../../../root/mmdetection/data/coco
cp -r datasets/coco2017/val2017 ../../../root/mmdetection/data/coco
# 将复现所需数据集复制到相应路径下
cp -r modelsets/mmdetection/yolov3_d53_320_273e_coco-421362b6.pth ../../../root/mmdetection/checkpoints
# 将复现所需权重文件复制到相应路径下

1.2. 模型推断

重新进入root/mmdetection路径,输入:

cd root/mmdetection
python demo/image_demo.py demo/demo.jpg \
configs/yolo/yolov3_d53_320_273e_coco.py \
checkpoints/yolov3_d53_320_273e_coco-421362b6.pth \
--out-file demo/demo.jpg

1.3. 模型训练

进入终端中,在root/mmdetection(默认)路径下,输入:

python tools/train.py configs/yolo/yolov3_d53_320_273e_coco.py  --gpus 1

1.4. 模型测试

进入终端中,在root/mmdetection(默认)路径下,输入:

python tools/test.py configs/yolo/yolov3_d53_320_273e_coco.py  checkpoints/yolov3_d53_320_273e_coco-421362b6.pth  --show-dir ./test_results

2. 模型来源

https://github.com/open-mmlab/mmdetection/tree/master/configs/yolo