Github 项目推荐 | YOLOv3 的最小化 PyTorch 实现

该库给 YOLOv3 提供了一些更新，并且做了些小的设计使其变得更好，同时还训练了新的网络。它更加精确，运行速度同样很快。在 320×320 YOLOv3 上以 22.2 mAP 运行 22 ms，与 SSD 一样准确，但速度提高了三倍。在 Titan X上，它能在 51 ms 内达到 57.9 AP50，相比较而言，RetinaNet 在 198 ms 内达到 57.5 AP50，性能相似但速度快了 3.8 倍。和往常一样，所有代码都可在 https://pjreddie.com/yolo/ 上找到。

Github：

https://github.com/eriklindernoren/PyTorch-YOLOv3

  安装：

$ git clone https://github.com/eriklindernoren/PyTorch-YOLOv3
$ cd PyTorch-YOLOv3/
$ sudo pip3 install -r requirements.txt

下载预训练权值

$ cd weights/
$ bash download_weights.sh

下载 COCO

$ cd data/
$ bash get_coco_dataset.sh

使用预训练权值训练图像，下图显示了将输入图像缩放为 256x256 时的推理时间。

$ python3 detect.py --image_folder /data/samples

  测试

在 COCO 测试中评估模型。

$ python3 test.py --weights_path weights/yolov3.weights

  训练

在 COCO 上训练，数据增强和其他训练技巧有待优化。

train.py [-h] [--epochs EPOCHS] [--image_folder IMAGE_FOLDER]
                [--batch_size BATCH_SIZE]
                [--model_config_path MODEL_CONFIG_PATH]
                [--data_config_path DATA_CONFIG_PATH]
                [--weights_path WEIGHTS_PATH] [--class_path CLASS_PATH]
                [--conf_thres CONF_THRES] [--nms_thres NMS_THRES]
                [--n_cpu N_CPU] [--img_size IMG_SIZE]
                [--checkpoint_interval CHECKPOINT_INTERVAL]
                [--checkpoint_dir CHECKPOINT_DIR]

  Credit

@article{yolov3,
  title={YOLOv3: An Incremental Improvement},
  author={Redmon, Joseph and Farhadi, Ali},
  journal = {arXiv},
  year={2018}
}

从Python入门-如何成为AI工程师

BAT资深算法工程师独家研发课程

最贴近生活与工作的好玩实操项目

班级管理助学搭配专业的助教答疑

学以致用拿offer，学完即推荐就业

新人福利

关注 AI 研习社（okweiwu），回复  1  领取

【超过 1000G 神经网络 / AI / 大数据资料】

YOLO 升级到 v3 版，速度相比 RetinaNet 快 3.8 倍

▼▼▼