其他分享
首页 > 其他分享> > Yolov3 的 OneFlow 实现

Yolov3 的 OneFlow 实现

作者:互联网

Yolov3 的 OneFlow 实现

1.简介

YOLO 系列的算法(经典的v1~v3),是单阶段目标检测网络的开山鼻祖,YOLO—You only look once,表明其单阶段的特征,正是由于网络简单,单阶段的效率较快,使其区别于 Faster-RCNN 为代表的两阶段目标检测器,从一开始推出至今,便以速度快和较高的准确率而风靡目标检测领域,受到广泛使用和好评。

而Yolov3是其中的经典和集大成者(当然官方最近也推出了 Yolov4 ),其以融合了残差网络的 Darknet-53 为骨干网络,融合了多尺度,3路输出的 feature map,上采样等特点,使其模型精度和对小目标检测能力都大为提升。

 

 

 本文,提供了 Yolov3 的 OneFlow 版实现,和其他版本实现的区别在于,将输出特征的 nms 过程写进了 C++ 代码中,通过自定义 user op 的方式来调用,当然,也同时支持直接使用 python 代码处理 nms。

2.快速开始

开始前,确保已正确安装了oneflow,并且在python3环境下可以成功import oneflow。

  1. git clone 此仓库到本地

git clone --recursive https://github.com/Oneflow-Inc/oneflow_yolov3.git

2. 安装 python 依赖库

   pip install -r requirements.txt

3. 在项目 root 目录下,执行:

./scripts/build.sh

执行此脚本,将 cpp 代码中自定义的 op 算子编译成可调用执行的 .so 文件,将在项目路径下看到:

预训练模型

使用了 Yolov3 原作者提供的预训练模型—yolov3.weight ,经转换后生成了 OneFlow 格式的模型。下载预训练模型:of_model_yolov3.zip ,并将解压后的 of_model 文件夹放置在项目 root 目录下,即可使用。

3. 预测/推理

运行:

sh yolo_predict.sh

或者:

sh yolo_predict_python_data_preprocess.sh

运行脚本后,将在 data/result 下生成检测后带 bbox 标记框的图片:

 

 

 参数说明 - --pretrained_model 预训练模型路径

--image_paths 'data/images/000002.jpg' 'data/images/000004.jpg'

训练同样很简单,准备好数据集后,只需要执行:sh yolo_train.sh即可,数据集制作过程见下文【数据集制作】部分。

4. 数据集制作

Yolov3 支持任意目标检测数据集,下面以 COCO2014 制作过程为例,介绍训练/验证所需的数据集制作,其它数据集如 PASCAL VOC 或自定义数据集等,都可以采用相同格式。

资源文件

下载 COCO2014 训练集和验证集图片,将解压后的 train2014 和 val2014 放在 data/COCO/images 目录下

(如果本地已下载过 COCO2014 数据集,可以 ln 软链接 images 至本地 train2014 和 val2014 的父目录)

准备资源文件:labels,5k.part,trainvalno5k.part

wget -c https://pjreddie.com/media/files/coco/5k.part

wget -c https://pjreddie.com/media/files/coco/trainvalno5k.part

wget -c https://pjreddie.com/media/files/coco/labels.tgz

脚本

在 data/COCO 目录下执行脚本:

# get label file

tar xzf labels.tgz

 

# set up image list

paste <(awk "{print \"$PWD\"}" <5k.part) 5k.part | tr -d '\t' > 5k.txt

paste <(awk "{print \"$PWD\"}" <trainvalno5k.part) trainvalno5k.part | tr -d '\t' > trainvalno5k.txt

 

# copy label txt to image dir

find labels/train2014/ -name "*.txt"  | xargs -i cp {} images/train2014/

find labels/val2014/   -name "*.txt"  | xargs -i cp {} images/val2014/

执行脚本将自动解压缩 labels.tgz 文件,并在当前目录下生成 5k.txt 和 trainvalno5k.txt,然后将 labels/train2014 和 labels/val2014 的所有 label.txt 文件复制到对应的训练集和验证集文件夹中( 保证图片和 label 在同一目录 )。

至此,完成整个数据集的准备过程。

5.训练

修改 yolo_train.sh 脚本中的参数,令:--image_path_file="data/COCO/trainvalno5k.txt" 并执行:

sh yolo_train.sh

即可开始训练过程,更详细的参数介绍如下:

说明

目前如果调用 yolo_predict.sh 执行,数据预处理部分对 darknet 有依赖

其中:

predict decoder 中调用 load_image_color、letterbox_image 函数
train decoder 中调用 load_data_detection 函数
主要涉及以下操作,在后续的版本中会使用 OneFlow decoder ops 替换

 

标签:OneFlow,Yolov3,实现,image,labels,--,sh,txt,data
来源: https://www.cnblogs.com/wujianming-110117/p/14408133.html