【源码】基于Python和Pytorch的高效YOLOv4目标检测系统

项目简介

本项目实现了经优化的Efficient_YOLOv4目标检测网络。借助一系列优化手段，在保障检测精度的同时，降低了模型计算量与体积，提升了检测速度，可实现实时检测。

项目的主要特性和功能

1. 构建Efficient_YOLOv4目标检测网络结构。
2. 支持对自定义数据集开展锚框聚类。
3. 能够进行网络模型的训练和预训练。
4. 把PANet替换成BiFPN，用Swish激活函数替代Mish激活函数。
5. 去除部分优化技巧以减少计算量。
6. 调整学习率衰减方式为0.97的指数衰减。
7. 用深度卷积替换卷积块和密集卷积层，并加入CSP化。
8. 显著减少模型体积，从245MB降至86MB。
9. 提升检测速度，从45ms降至35ms。
10. 提高检测精度，MAP0.5从41%提升到59.57%。

安装使用步骤

环境要求

• Windows10
• Python3.7
• Pytorch1.3
• CUDA10.0

训练步骤

1. 使用labelimg将自己的数据集标注为VOC格式，也可使用现有的VOC2007+VOC2012格式的数据集。
2. 运行kmeans_for_anchors.py进行聚类获取数据的锚框。
3. 运行voc2yolo3.py将数据集分为训练集和测试集。
4. 运行voc_annotation.py得到数据的位置和信息。
5. 运行trains.py进行训练，将代码中的路径改为自己的路径，把得到的锚框和标签信息加入进去： Python trains.py '-anchors', default="./model_data/anchors.txt" '-classes', default="./model_data/class_name.txt" '-annotation', default="./my_train.txt"

检测步骤

运行detect.py进行目标检测，配置如下参数： Python detect.py '-model_path', default="./models/Epoch22-Total_Loss18.8616-Val_Loss18.8762.pth" '-classes_path', default='./model_data/voc_classes.txt', type=str, help='classes path' '-anchors_path', default='./model_data/voc07_12anchors.txt'

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】